Mar, 2020

领域自适应少样本学习

HTML
PDF
TL;DR本文提出一种新的面向领域自适应少样本学习（DA-FSL）的解决方案，即基于领域对抗性原型网络（DAPN），该模型通过显式增强源/目标每类别的区分性在域自适应特征嵌入学习之前，以实现全局领域分布对齐，同时保持源/目标每类别的差异性从而提高 FSL 的性能。实验表明，DAPN 模型优于现有的 FSL 和 DA 模型及其简单组合。
发现论文，激发创造
  • 少样本对抗性域自适应

    采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

    Nov, 2017

  • 通过极小化最大熵进行半监督域自适应

    提出了一种基于Minimax Entropy的半监督域自适应方法，在有限的标记信息下，与其他基线方法相比，提高了无标记目标数据分类的准确性。

    Apr, 2019

  • 基于对抗域自适应的零样本学习生成框架

    该研究提出了一种基于领域自适应的生成模型，解决了零样本学习中类分布之间的领域偏移问题，并通过对抗性训练增强了神经网络分类器的鲁棒性。

    Jun, 2019

  • 多功能域自适应的最小类混淆

    本研究提出了一种通用的归纳偏见，即最小类混淆(MCC)方法，该方法不仅易于收敛，而且可以有效地处理多个不同的领域适应(DA)方案，特别是在Partial-Set和Multi-Target DA两个难度较高的数据集上表现优异。

    Dec, 2019

  • 基于聚类的归纳式无监督领域自适应在几类问题中的应用

    本文介绍了一种通过聚类来提高 Few-shot 分类领域适应性的归纳框架 DaFeC，其独特之处在于不需要全面访问测试数据，而是通过构建表示提取器并结合聚类矿工来得到伪标记数据，并通过聚类升级机制来实现更好的目标领域特征，从而提高分类准确性。在 FewRel 2.0 数据集上的实验表明，本文所提出的方法优于之前的研究。

    Jun, 2020

  • 多个领域的少样本分类通用表示学习

    本文介绍了通过适配器和居中核对齐等方法，利用多个分别训练的网络的知识来同时学习多个领域上通用的深度表示，通过距离学习方法来有效适应之前未见过的领域，并在 Meta-Dataset 基准测试中取得显著的性能提升。

    Mar, 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

  • 基于图像到类别稀疏相似性编码的少样本无监督域自适应

    本文研究了一种称为few-shot unsupervised domain adaptation (FS-UDA)的有价值设置，并提出了一种基于本地描述符的高效方法来提高图像分类和域适应的性能

    Aug, 2021

  • 少样本学习中微调的动力：通过选定抽样的域不可知偏差减少

    本文提出了使用细调训练过的深度神经网络来改善新类别特征的方法，包括使用分布校准模块(DCM)减少类不相关偏差，使用精选采样(SS)减少类特异性偏差，该方法在10个来自不同领域的数据集上表现出了最先进的结果。

    Apr, 2022

  • 领域自适应几样本开放集学习

    我们提出了一种新颖的方法，称为域自适应少样本开放集识别（DA-FSOS），并引入了一种基于元学习的架构命名为DAFOSNET。我们的模型通过在给定完全监督的源域和标签独立的少样本目标域的情况下创建伪开放空间决策边界来学习共享和可区分的嵌入空间，并使用一对具有可调噪声方差的条件对抗网络来增强数据密度。此外，我们提出了一种特定于域的批归一化类原型对齐策略，通过新的度量目标在全局上对齐两个域，同时确保类别辨别性。我们基于Office-Home、mini-ImageNet/CUB和DomainNet数据集提出了DA-FSOS的三个基准，并通过广泛的实验验证了DAFOSNET的有效性。

    Sep, 2023