Jun, 2020

基于标签知识的分布对齐连续迁移学习

PDF
TL;DR本文提出了一种名为 TransLATE 的通用对抗自编码器框架，通过最小化连续时间戳之间的潜在特征空间中目标域的分类误差和 C - 散度来建模具有时间演变目标域的连续转移学习设置。
transfer learningtime evolvingcontinuous transferlabel-informed c-divergencetranslate framework
发现论文，激发创造
  • 跨图动态迁移学习

    该研究提出了一个动态传输学习框架 DyTrans，使用基于 transformer 的时间编码模块建模动态域的时间信息，设计了动态域统一模块跨源和目标域高效地学习域不变特征，并在多个实际数据集上展示了 DyTrans 在从动态源域到动态目标域的知识转移中的有效性。

    May, 2023

  • 深入研究连续领域自适应

    本文提出了连续域自适应（CDA）问题，并提出了一种新颖的方法作为 CDA 基线。该方法通过交替训练策略、连续性约束和域特定队列等手段，在多个域之间降低差异性并泛化到未见目标域，从而在 CDA 问题中实现了最优性能。

    Aug, 2022

  • 渐变正则化对比学习用于连续领域适应

    研究 AI 模型在连续领域适应中所遇到的领域转换和灾难性遗忘等问题，并提出了基于 Gradient Regularized Contrastive Learning 的方法来解决这些问题，实验结果表明该方法在 Digits, DomainNet and Office-Caltech 基准测试中表现优越。

    Jul, 2020

  • 跨域和跨任务的同时深度迁移

    本研究提出一种用于视觉领域适应的 CNN 架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。

    Oct, 2015

  • 循环一致条件对抗迁移网络

    本文提出一种名为 3CATN 的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。

    Sep, 2019

  • 基于对比学习和循环一致性的转导式迁移学习用于目标注释

    我们提出了一种混合对比学习和基于循环一致性的迁移转导学习方法。该方法利用两个 H-CUT 网络和两个分类器，通过循环一致性、MoNCE 和一致性损失来优化目标领域分类器，有效地注释平民和军用车辆以及舰船目标。

    Jan, 2024

  • 迈向更可靠的迁移学习

    本文提出了一种新的多源传递学习方法，它结合了源目标相似性和不同可靠性源之间的关系，并提出了一个综合的主动传递学习框架，包括分布匹配和不确定性采样，在合成和真实数据集上进行了广泛的实验，表明其在多项基准测试中优于其他现有模型。

    Jul, 2018

  • 跨领域协作迁移学习框架的推荐

    该研究提出了一种基于协作跨域迁移学习框架（CCTL）的解决方案，可用于推荐系统中不同商业域中的广告点击率（CTR）预测建模，并成功应用于美团，提高了 CTR 和 GMV 的表现。

    Jun, 2023

  • 连续的测试时域自适应

    提出了一个基于权重平均和增强平均预测的持续测试时间自适应方法，在长期内实现了所有神经网络参数的适应，同时有效避免了疾病遗忘和噪声伪标签带来的错误积累，该方法处理的问题主要集中在测试时间域适应和深度学习等领域。

    Mar, 2022

  • 连续不变性学习

    通过提出连续不变性学习方法，我们在理论上证明了这种方法相较于现有的不变性学习方法具有优越性，并通过实证结果在合成和真实数据集上验证了其卓越的性能表现。

    Oct, 2023