域自适应的最大密度差异
该论文提出了一种名称为 CDDA 的方法,通过最大平均差异度量源和目标域之间的差异,生成具有约束力的潜在特征表示,并提出标签平滑性和几何结构一致性的约束条件,进一步提高其适应领域的区分能力。
Apr, 2017
本文提出了一种基于最大均值偏差(D-MMD)损失函数的度量学习方法,用于解决人员再识别中的跨域偏移问题和对抗攻击,实验结果表明,该方法在不需要数据增强和 / 或复杂网络的情况下,能够明显优于基准线和现有的无监督域自适应方法。
Jul, 2020
本研究提出了一种加权 MMD 方法,采用类特定辅助权重来考虑不同类别间的先验概率分布偏差,通过交替为源域中的每个类别引入辅助权重和分配伪标签以更新模型参数,解决了 MMD 忽视类别间重量偏差的问题。实验表明,加权 MMD 方法优于传统的 MMD 方法在域适应中的表现。
May, 2017
本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化,并连带减少它们的方差以降低特征可分性;同时分析了内类距离和间类距离的关系,提出了一种新的基于判别性 MMD 的方法,实验表明其在几个基准数据集上的效果优于现有方法。
Jul, 2020
提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法,其鼓励在输入实例的任何情况下,类别和域预测之间存在相互抑制关系,以解决现有方法中任务和域分类器相互独立导致的收敛问题,该方法能够在实际条件下定义一个最小极值博弈,促进联合分布对齐。除传统的闭集领域适应以外,还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中,在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。
Nov, 2019
通过集群假设的视角,该研究提出了两个新的模型:结合领域对抗训练和对集群假设违反的惩罚的虚拟敌对领域自适应(VADA)模型以及采用自然梯度步骤进一步减小集群假设违反的 Decision-boundary 迭代细化训练与教师(DIRT-T)模型。广泛的实证结果表明,这两个模型的组合大大提高了数字,交通标志和 Wi-Fi 识别领域自适应基准的最新性能。
Feb, 2018
本文提出了一种名为 DDA(动态分布适应)的新概念,可以对每个分布的相对重要性进行定量评估并解决传输学习问题,进而提出两种新的学习算法 MDDA 和 DDAN,得到了显著改善传输学习性能的结果。
Sep, 2019
我们提出了一种度量学习方法和对抗学习相结合的方法(M-ADDA)用于无监督领域自适应,M-ADDA 在提取源和目标数据集的特征时使用了类似 ADDA 的结构,同时优化了一种鼓励目标数据嵌入形成聚类的新损失函数,其中表明在 MNIST 和 USPS 的数字自适应数据集上 M-ADDA 表现显著优于 ADDA,这表明使用度量学习的领域自适应可以大幅提高领域自适应任务的分类准确性。
Jul, 2018
本研究提出了一种多源多目标无监督领域适应方法,通过改进的加权距离损失函数,在故障诊断领域中实现了源域与目标域之间的域对齐,并学习到多个源域与目标域之间的域不变和有区分性的特征,从而实现了跨域故障诊断。综合对三个数据集进行了综合比较实验,实验结果证明了该方法的优越性。
Oct, 2023
通过最小化训练域之间的风险分布差异,建立领域不变性;采用风险分布匹配(RDM)方法,通过对最坏情况域和所有域的综合分布进行对齐,既提高了效果,又提高了计算效率。该方法在标准基准数据集上的实验证明,优于现有的领域泛化方法。
Oct, 2023