Jul, 2020

使用增强锚点的标签传播算法：一种简单的半监督学习基线用于无监督领域自适应

HTML
PDF
TL;DR通过分析WSL技术在UDA问题中遇到的挑战，提出了一种Label Propagation with Augmented Anchors(A2LP)算法，通过生成带有高置信度标签预测的未标记虚拟实例(即增强锚点)来改进LP。经过实验证明，A2LP作为简单的WSL扩展改进了基准UDA技术，强化了两种最先进的方法。
发现论文，激发创造
  • 辅助目标领域分类器的域自适应

    该研究提出一种名为Auxiliary Target Domain-Oriented Classifier (ATDOC)的模型，旨在解决在无监督域适应中伪标签分布偏移和分类器偏置的问题。该模型基于最近邻居和内存机制，在多种领域适应基准和半监督任务上显着优于领域对齐技术和先前的半监督技术。

    Jul, 2020

  • 从互补标签源域学习：理论与算法

    本文提出了一种新的领域自适应设置，旨在使用互补标签数据训练目标领域的分类器，并且首次证明了其理论界限；同时，利用提出的互补标签对抗网络 CLARINET 解决了完全和部分互补无监督域自适应问题，在手写数字识别和物体识别任务中表现出明显的优势。

    Aug, 2020

  • 子群移位下的标签传播理论

    本研究提出了一种基于标签传播的领域自适应框架，利用源域上的教师分类器将信息传递到目标域，并通过扩展假设和利用现有的泛化上界，以满足整个算法的有限样本保证。 通过采用一致性半监督学习方法，我们在领域适应设置中获得了显着的改进。

    Feb, 2021

  • 半监督模型是强大的无监督域自适应学习器

    研究发现，自适应领域不受监督学习（UDA）和半监督学习（SSL）虽然看似不同，但其任务目标和解决方案十分相似。基于这个发现，通过在UDA基准测试上适应八种SSL算法，发现SSL方法具有较强的UDA学习能力，在DomainNet挑战性UDA基准测试上，SSL方法显着优于现有的UDA方法，并且可以通过SSL技术进一步增强现有UDA方法的性能。因此，未来UDA研究中应将SSL方法作为基线应用，并期望揭示的UDA和SSL之间的关系能够给未来UDA发展带来启示。

    Jun, 2021

  • 先验知识指导的无监督域自适应

    本文提出一种基于知识引导的无监督领域自适应（KUDA）方法，通过利用目标域的先验知识，将该先验知识应用于模型生成伪标签的改进中，从而提高自训练阶段的性能。

    Jul, 2022

  • 基于相似度的伪标签注入半监督域自适应

    本研究通过引入对比损失和伪标记机制，对半监督域自适应问题进行了有效解决，并在 Office-Home、DomainNet 和 Office-31 数据集上取得了最先进的性能。

    Sep, 2022

  • 实现标记目标样本价值的两阶段半监督域自适应方法

    本文的研究重点是如何在具有标记源样本和一些标记目标样本的情况下通过将SSDA分解为UDA问题和半监督学习问题来更有效地利用目标样本，在其上提出了一种基于一致性学习的平均教师模型的方法，并表明此方法的效果优于现有方法。

    Apr, 2023

  • 让UDA中的U有意义：无监督领域自适应的不变一致性学习

    通过提出不变的一致性学习 (ICON) 方法，本研究在领域自适应和无监督领域适应方面取得了最先进的性能，并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。

    Sep, 2023

  • 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

  • 通过减少共同类别偏置来进行普适半监督领域自适应

    通过引入新的先验引导的伪标签优化策略，提出了一种改善UniSSDA适应性设置中常见类别偏差的方法，有助于在Office-Home、DomainNet和VisDA等基准数据集上取得最佳性能，并为UniSSDA建立了新的基准线。

    Mar, 2024