SIGIRMay, 2020

利用非展现项进行判别域自适应以提高长尾性能的 ESAM

PDF
TL;DR本文提出了一个基于 ESAM 的域适应模型来解决样本选择与长尾问题，将展示和未展示的物品分别作为源领域和目标领域，通过设计属性相关性对齐和引入两种有效的正则化策略来提高 DA 进程，实验表明 ESAM 在提高了长尾空间的性能方面取得了最新的成果。
ranking modelslong-tail itemsdata sparsitydomain adaptationesam
发现论文，激发创造
  • 领域适应注意力模型：无监督跨域人物再识别

    该研究提出了一种新颖的无监督域自适应框架，用于将分类学表示从标记源域（数据集）转换到未标记的目标域（数据集），并使用一种新颖的域相似性损失将域自适应任务制定为一个单类分类问题。

    May, 2019

  • 基于压缩注意力匹配的通用领域自适应

    本文提出了一种基于自注意力机制、综合注意力匹配和压缩表示的普适域自适应框架，可用于分类任务，并在多个基准数据集上取得了领先于现有方法的性能。

    Apr, 2023

  • 任务判别的领域对齐方法用于无监督领域自适应

    本文提出了一种深度域自适应框架，采用鉴别偏差度量，并结合任务驱动域对齐鉴别器和域正则化器，以改进无监督域适应的性能，并在多项标准基准测试中证明了其优于现有技术的一致性。

    Sep, 2019

  • 当无监督领域适应遇见张量表示

    提出了一种基于学习的方法，用于直接适应源和目标张量表示，其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间，并展示了其在域自适应的卷积激活方面具有最佳性能。

    Jul, 2017

  • 判别式标签一致性域自适应

    本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

    Feb, 2018

  • 通用源自由域自适应

    该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

    Apr, 2020

  • 重新思考基于分布匹配的域自适应

    本文通过分析现有的 DA 算法的局限性，构建了更加现实的数据集来评估现有算法并提出了一种新的基于 Instance-based Predictive Behavior Matching 的算法 InstaPBM，实验结果表明 InstaPBM 相对于现有算法具有更强的鲁棒性和更高的分类精度。

    Jun, 2020

  • 仅 DIAL: 用于无监督领域适应的域对齐层

    本研究通过引入 DomaIn Alignment Layers 方法解决领域适应中的特征分布偏移问题，从而提高视觉识别系统在不同领域数据集上的成功率，并在三个公开基准测试中取得了成功的实验结果。

    Feb, 2017

  • 基于分布估计的无源领域自适应

    本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE，采用球形 k 均值聚类生成目标数据的假伪标签，并利用目标数据和锚点学习源域的类条件特征分布，通过最小化交叉适应损失函数来对齐两个数据域，在多个 DA 基准测试中实现了最先进的性能表现，并且优于需要大量源数据的传统 DA 方法。

    Apr, 2022

  • 领域自适应时间序列分类以减轻协变量漂移

    本文提出一种新的基于监督学习的域适应技术，利用最优传输方法和嵌入相似性技术，从少量样本中搜索最优类别相关转换，并在推理中选择相应的转换，能够减小领域差异，并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。

    Apr, 2022