Mar, 2020

有条件分布匹配和广义标签偏移的领域自适应

HTML
PDF
TL;DR本文提出了广义标签偏移（$GLS$）的假设来提高对不匹配标签分布的鲁棒性，在此基础上，提供了任何分类器的转移性能的理论保证，并且设计了估算相对类权重以及适当的样本重新加权的必要和充分条件。我们修改三个现有的域自适应(DA) 算法（JAN，DANN和CDAN），评估它们在标准和人工DA任务上的性能，并且实验结果表明，在存在大的标签分布不匹配的情况下，我们算法的性能表现得到了显著的提高。
发现论文，激发创造
  • 对抗式判别领域自适应

    本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为ADDA，它将判别建模、解除权重共享和GAN损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

    Feb, 2017

  • 部分对抗域适应

    本文提出部分域自适应作为一种新的域自适应场景，旨在将现有大型域中的深度模型转移到未知小型域中，通过下调异常源类别数据来训练源分类器和域对手，同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移，实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。

    Aug, 2018

  • 学习不变表示以进行领域自适应

    本文针对无监督域适应学习中常见的假设提出了简单反例，证明了这些假设并不足以保证域适应的成功；提出了一种基于信息理论的弱化条件，并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡；最后，通过实验验证了理论结果。

    Jan, 2019

  • 非对称松弛分布对齐的域自适应

    本文提出了一种非对称松弛分布对齐的方法来解决领域适应中标签分布偏移问题，并找到了合理的理论假设条件来支撑该方法，证明了该方法在合成和真实数据集上的实际效果。

    Mar, 2019

  • 回顾标签：一种基于类别的领域自适应技术

    针对多类分类问题的领域适应问题，我们提出了一种基于对抗鉴别器的方法，并采用了有关分类结构的信息，得到了在基准数据集上的最优结果。

    Apr, 2019

  • 基于平衡和不确定性感知的部分域自适应方法

    本研究提出了一种用于解决源域与目标域类别不完全相同情况下的无监督域适应问题的方法BA$^3$US，通过两种新技术BAA和AUS来平衡类分布并抑制不确定性的传播，在多个基准测试中，实验结果表明BA$^3$US优于现有方法。

    Mar, 2020

  • 广义领域自适应

    本文提出一种通用的域自适应问题表示，称为广义域自适应 (GDA) ，涵盖了主要变量作为其特殊情况，该广义化引出一种新的具有挑战性的设置，其中现有的方法失败了。 我们提出了一种新颖的方法，其关键是无监督的类破坏学习，这使得学习类不变表示和域对抗分类器无需使用任何领域标签，使用3个基准数据集的大量实验证明了我们的方法在新设置下优于现有的UDA方法，在现有UDA变量中也很有竞争力。

    Jun, 2021

  • f域对抗学习：理论与算法

    本文提出了一种新的通用领域敌对框架，利用变分f-分歧的特征进行领域自适应。基于此框架，推导出了具有重要修正的新算法框架，并证明了其在自然语言和计算机视觉数据集上优于现有的基线结果。

    Jun, 2021

  • 带有条件和标签漂移的对抗式无监督域自适应：推断、对齐和迭代

    本文提出了一种通过对齐条件和标签分布来实现对抗式无监督域自适应的方法，并提出了一种新的优化策略。实验结果表明，它在分类和分割的无监督域自适应上具有很好的效果。

    Jul, 2021

  • 带标签偏移的条件支持对齐域自适应

    本文介绍了一种名为CASA的方法，使用条件对抗支持对齐来最小化源域和目标域的特征表示分布之间的条件对称支持差异，以提供更好的分类模型，同时提出了一种新的理论目标风险界来证明对比于现有的边缘支持对齐方法，对齐有条件的特征分布的支持更加优秀。实验结果表明CASA在不同的无监督域适配基准任务中的性能优于其他先进方法。

    May, 2023