重新思考最大平均差异用于域自适应
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
我们提出了一种均匀集中不等式,用于一类基于最大均值差异(MMD)的估计器的理论分析,特别是在生成模型中的应用。我们将该结果应用于最小 MMD 估计器和 MMD GAN 的泛化误差界的推导
May, 2024
该研究提出了一个结合最大平均差异(Maximum Mean Discrepancy)的正则化项和去噪自编码器预训练的神经网络模型,以解决目标识别中的领域自适应问题,实验表明,该模型在源域和目标域之间建立的潜在空间显著降低了分布不匹配问题,并且在原始像素和 SURF 特征数据集上均比同类别基准模型表现更优秀。
Sep, 2014
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
本研究提出三个重要因素:有效的深度内核、极限统计应用、野外自助法,尤其是克服了对抗数据的非独立性问题。研究结果表明,最大均值偏差 (MMD) 测验可以检测到自然数据和对抗数据之间的分布差异,这为基于两样本检验的对抗数据检测开辟了一条新的道路。
Oct, 2020
本文介绍了一种基于最小距离估计的统计模型,即对于可能性不易计算的生成模型,通过指定核函数,作为一个度量距离的最大均值差异(MMD)可以用来进行最小距离估计,同时结合自然梯度下降算法的应用使这种估计更加高效和鲁棒。
Jun, 2019
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
本研究提出了一种基于最大均值差异(MMD)的统计检验来最大化两个概率分布样本的表示和区分度的优化方法,并将其应用于生成对抗网络(GAN)的无监督学习设置中,在其中,MMD 可以用作两种角色:一是直接对样本或样本特征作为鉴别器使用,二是通过将模型样本与参考数据集比较来评估生成模型的性能。
Nov, 2016
本文提出了一种新的域自适应方法 Adversarial Tight Match(ATM),它结合了对抗训练和度量学习的优点,使用 Maximum Density Divergence(MDD)来量化分布差异,使其能够在经典和大型基准测试上实现新的最先进性能。
Apr, 2020