Jun, 2020

自训练避免在领域偏移下使用错误特征

PDF
TL;DR该论文提出了许多方法用于处理不同领域之间的转换，例如通过条件熵最小化和伪标记来完成对这些情况的试验，除此以外还针对某些情况下的结果做出更深入的解释，并验证了这种方法在半合成的 Celeb-A 和 MNIST 数据集上是可行的。
unsupervised domain adaptationconditional entropy minimizationpseudo-labelingspurious featuresself-training
发现论文，激发创造
  • 数据分布转移时，使用自学习

    本文针对系统域转移下的计算机视觉模型，提出了熵最小化和伪标记等自学习技术的应用，通过大量实验展示了显著的改进效果和实用性。同时，本文还提出了一个新的分类数据集 ImageNet-D，对于自适应算法来说具有一定的挑战性。

    Apr, 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

  • 伪标记中选择性的无监督多源自由领域自适应的优势

    该研究提出了一种利用信息论界限和特征对齐技术，将目标数据划分为伪标记子集和无标记子集以实现平衡的无监督域自适应方法，取得了比现有方法更好的性能表现。

    Feb, 2022

  • 学习不变表示以进行领域自适应

    本文针对无监督域适应学习中常见的假设提出了简单反例，证明了这些假设并不足以保证域适应的成功；提出了一种基于信息理论的弱化条件，并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡；最后，通过实验验证了理论结果。

    Jan, 2019

  • 解决无源无监督视频域自适应的标签噪声问题

    使用自主训练、伪标签、微调和师生框架等方法，这篇论文提出了解决视频领域适应性问题的方法，以在没有源数据的情况下实现源无关自适应，并取得了领先的实验结果。

    Nov, 2023

  • 了解逐步领域适应的自训练

    论文研究了机器学习系统对随时间变化而演化的数据分布的适应性，在渐进领域适应的情况下，证明了使用自我训练的非空界，通过正则化和标签增强来提高算法精度，特别是对于 Wasserstein-infinity 距离较小的转化数据和真实肖像数据集。

    Feb, 2020

  • 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

  • 领域迁移下的聚类学习

    本文提出了一种基于无监督域自适应和深度聚类的方法，利用来自多个源域的数据信息建立一个与具体域无关的聚类模型，并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息，并在多个域自适应基准测试中取得了最先进的结果。

    Aug, 2020

  • 领域自适应的循环自训练

    提出了循环自训练算法，通过引入 Tsallis 熵作为可信度友好的正则化方法，使得在无监督领域适应中的伪标签与真实目标具有更好的泛化性，实现基于无标注目标数据的迁移学习。

    Mar, 2021

  • 无需源数据的无监督领域自适应

    该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法，只需要无标签的目标数据和源分类器，有效地解决了预训练模型中源数据不可用的问题，并表明其在有限标记数据的情况下胜过微调基线。

    Jul, 2020