领域自适应简介

Oct, 2020

A Brief Review of Domain Adaptation

Abolfazl Farahani, Sahar Voghoei, Khaled Rasheed, Hamid R. Arabnia

TL;DR本文关注的是无监督领域适应问题，该问题中只在源域内提供标签。文章试图从不同角度解释领域适应的类别，并提出了一些成功的浅层和深层领域适应方法。

Abstract

Classical machine learning assumes that the training and test sets come from the same distributions. Therefore, a model learned from the labeled training data is expected to perform well on the test data. However, This assumption may not always hold in real-world applications where the training and the test data fall from different distributions, due to many

domain adaptation unsupervised learning distribution disparity shallow approaches deep approaches

发现论文，激发创造

领域自适应和迁移学习简介

介绍了机器学习中领域自适应和转移学习的数据分布变化问题，分类模型的风险最小化框架及其在复杂变化中的应用，并讨论了多种方法来解决这些问题，但要实现实用化仍需解决许多问题。

Dec, 2018

领域自适应理论概述：学习界限与理论保证调查

该论文综述了迁移学习中的一个具有代表性的子领域 —— 领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。

Apr, 2020

计算机视觉应用领域的适应性

本研究关注最近在计算机视觉领域的早期领域转移学习方法，强调借助标记数据从不同域进行域适应以在目标域中提高数据分类准确度。

Nov, 2012

单源深度无监督视觉域自适应综述

本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

Sep, 2020

无目标标签领域自适应综述

本篇综述旨在回答分类器如何从源域学习并推广到目标域，分类方法包括基于样本的方法、基于特征的方法和基于推理的方法，文章还探讨了进一步研究所需的一些问题和条件。

Jan, 2019

深度无监督域自适应：近期进展和展望综述

深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

Aug, 2022

无监督深度域适应综述

该研究论文对深度学习与非监督领域自适应进行了综述并对其中一些方法进行了比较，同时探讨了应用领域及未来研究方向。

Dec, 2018

知识适应：教授如何适应

本研究提出一种基于知识蒸馏的领域自适应技术，针对多源无监督情感分析数据集，在考虑多个教师及其领域专业性的基础上，实现了最优结果，并提出一种可信度度量方法，用于选择高置信度示例及解决单一源情况下的领域适应问题。

Feb, 2017

小规模和异构生物数据集中的领域自适应

综述小规模和高度异质的生物学数据中的领域自适应方法，探讨了领域自适应在生物研究中的好处、挑战以及通过关键代表性方法进行的批判性讨论，提出了将领域自适应技术纳入计算生物学家的工具箱，并进一步开发定制方法的观点。

May, 2024

医学图像分析的领域自适应研究概述

介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

Feb, 2021