学习如何组合：多源领域自适应的知识聚合

ECCVJul, 2020

学习如何组合：多源领域自适应的知识聚合

Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation

Hang Wang, Minghao Xu, Bingbing Ni, Wenjun Zhang

TL;DR通过探索不同域之间的相互作用，我们提出了一种基于知识图谱的多源领域适应框架（Learning to Combine for Multi-Source Domain Adaptation, LtC-MSDA），其中构建了知识图谱来实现语义相邻表示之间的信息传播，并学习图模型以在相关原型指导下预测查询样本。此外，我们设计了一种关系对齐损失（RAL），以促进类别相互依存关系的一致性和特征的紧凑性。在公共基准测试数据集上的综合结果表明，我们的方法优于现有方法，并提供了可靠的代码实现。

Abstract

Transferring knowledges learned from multiple source domains to target domain is a more practical and challenging task than conventional single-source domain adaptation. Furthermore, the increase of modalities brings more difficulty in aligning feature distributions among multiple domains. To mitigate these problems, we propose a →

multi-source domain adaptation learning to combine relation alignment loss knowledge graph graph model

发现论文，激发创造

基于协作学习的多源域自适应语义分割

本文提出了一种新颖的基于协作学习的多源领域自适应框架，通过像素值分布的对齐和伪标签的约束来充分利用多个源域的语义信息，同时通过图像翻译使源域与目标域之间的差距减小，经实验证明，在语义分割任务中，该方法在 Cityscapes 数据集的验证集上获得 59.0％的 mIoU，显著优于所有之前的单一和多源无监督领域自适应方法。

Mar, 2021

多源领域自适应互相学习网络

本文介绍一种新的多源域自适应方法 —— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架，该方法将目标域与每个单一源域配对，使用条件对抗性域自适应网络作为分支网络进行训练，并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐，通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习，该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明，ML-MSDA 方法优于比较方法，并实现了最新的性能表现。

Mar, 2020

多目标域自适应的课程图协作教学

本研究提出了一种通过特征聚合和课程学习相结合的双分类器模型 (Curriculum Graph Co-Teaching) 来实现多目标域自适应 (MTDA)，该模型使用图卷积网络 (GCN) 来聚合来自不同领域的样本特征，同时采用辅助的课程学习策略来获取可靠的伪标签，实验结果表明该模型在多个基准数据集上都取得了比现有方法更好的性能。

Apr, 2021

发现领域解耦来进行广义多源域自适应

本研究提出了一种多源领域适应方法 (GM-DA)，试图解决传统方法中源域与目标域之间类别不完全重叠的问题，该方法基于变分域解缠绕 (VDD) 框架，借助在线伪标签来识别未知类别的目标样本，并且在两个基准数据集上展现了该框架的有效性。

Jul, 2022

LanDA: 语言引导的多源域自适应

使用多模态模型和联合图像与语言嵌入空间，我们提出了一种基于最优传递理论的新型语言引导多源域适应（LanDA）方法，可以通过目标域的文本描述进行域适应，而无需任何目标域图像，并且在目标和源域都优于标准微调和集成方法。

Jan, 2024

在线元学习的多源和半监督领域适应

该论文提出一种基于元学习的框架来进一步增强现有领域适应算法的性能，通过在线的最短路径元学习框架改进了无监督和半监督多源领域适应技术 (DANN，MCD 和 MME)，实验表明达到了多项 DA 基准的最佳效果。

Apr, 2020

分类器秘密地满足多源域自适应

该论文提出了一种新的包括深度模型及自监督隐式对准在内的 MSDA 方法，并通过利用伪标记目标样本并在伪标记上强制执行分类器一致性来实现自适应，该方法被称为 Self-supervised Implicit Alignment (SImpAl)。通过在五个基准测试上的全面评估，展现了该方法的有效性。

Mar, 2021

多源领域自适应遇上数据集蒸馏通过数据集字典学习

该论文探讨了机器学习中两个问题的交集：多源领域适应 (MSDA) 和数据集精炼 (DD)。通过采用之前 MSDA 领域的作品以及 DD 方法的分布匹配，在四个基准测试中进行了深入的实验，表明即使每类仅有 1 个样本，也能够获得最先进的适应性能。

Sep, 2023

基于远程监督迭代训练的粗到细的知识图谱领域适应

本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题，提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架，并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取，实验结果表明，该框架可以有效执行领域适应和构建知识图谱的任务。

Nov, 2022

自适应累积知识迁移用于部分领域自适应

本文介绍了一种自适应积累知识传递框架（A $^ 2$ KT），其中包括自适应积累机制，双特征分类器结构以及最大化聚类中心差异性和最小化聚类紧密度以获得更多领域不变性和任务特定的共享类别数据区分能力，该框架旨在解决部分域适应问题。复杂的实验表明该模型比当前 PDA 方法表现更优秀。

Aug, 2020