ICMLJun, 2020

无监督领域自适应的隐式类条件域对齐

PDF
TL;DR我们提出了一种无监督领域适应方法，采用类条件域对齐的方法来解决领域内类别不平衡和领域间类别分布偏移的实际问题。我们提出了一种采样 - based 的隐式对齐方法，旨在减轻类别伪标签偏差问题。该方法通过移除对模型参数的伪标签显式优化，并使用伪标签隐式指导样本选择过程，以缓解领域对抗性学习中偏差的问题。理论分析表明在错误类别中存在一个域鉴别器快捷方式，该方法能够修复，并通过实验结果验证了其有效性，特别是在领域内类别不平衡和领域间类别分布偏移的情况下。
发现论文，激发创造
  • 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

  • 使用伪标签进行域自适应

    无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。

    Feb, 2024

  • 基于正则化条件对齐的无监督域适应

    本研究提出了一种无监督领域自适应方法，通过训练共享嵌入来对齐输入（域）和输出（类）的联合分布，从而使任何分类器对域都不具有特异性。联合对齐不仅确保域的边际分布对齐，还确保标签对齐，并提出了一种新颖的目标函数，鼓励类条件分布在特征空间具有不相交的支持。此外还可以利用对抗正则化来改进没有注释的域上分类器的性能。

    May, 2019

  • 类别不平衡的领域自适应：一次实证之旅

    本文提出了一个更接近实际情况的机器学习问题：“不同领域的特征分布不同，且标签分布不均衡，如何将它们对齐？” 并构建了第一个包括 22 个跨域任务的基准测试数据集，并使用 COAL 模型进行了广泛的实验，发现大部分最新的领域自适应方法在同时具有特征和标签分布变化方面非常脆弱。COAL 模型能够有效地实现特征和标签的对齐，对于该问题的未来研究能提供更好的基准测试数据集。

    Oct, 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

  • 半监督领域自适应的跨域自适应聚类

    该论文提出了一种名为跨域自适应聚类的新方法，使用敌对训练产生自适应聚类损失，将未标记目标数据的特征分组到聚类中，并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量，并产生了更强大的聚类核心，从而实现了半监督领域自适应的最佳表现。

    Apr, 2021

  • 双向生成无监督域适应

    本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

    Feb, 2020

  • 无监督域自适应的共同正则化对齐

    本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

    Nov, 2018

  • 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

  • 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