CVPROct, 2020

半监督域自适应的学习不变表示和风险

PDF
TL;DR本论文提出了一种用于半监督域适应的算法 LIRR，它能同时学习不变的表示和风险，并将特征空间中的边缘和条件分布对齐，实现了目标泛化能力的有意义提高。该算法在分类和回归任务上实现了最先进的性能和显著的改进。
unsupervised domain adaptationsemi-supervised domain adaptationlirr algorithminvariant representationstarget generalization
发现论文，激发创造
  • 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

  • 学习领域不变表示以多源迁移学习

    本研究探讨了多源领域自适应和领域泛化设置中的目标通用损失的上界和两种领域不变表示的定义，并研究了强制学习每个领域不变表示的优缺点和权衡，并通过实验来检查这些表示的权衡，探索了我们所开发的理论的其他有趣特性。

    Nov, 2021

  • 无监督口音领域自适应学习不变表示和风险最小化

    本文探讨通过将语音表征映射到对应的高级语言信息以学习领域不变的语音表征，结果证明，学习到的 latents 不仅捕捉到每个音素的发音特征，而且提高了适应能力，在 accened 测试基准上大幅优于基准模型。

    Oct, 2022

  • 通过域不变表示估计分布转移下的泛化能力

    本篇论文研究机器学习模型在不同测试分布的情况下表现不佳且过度估计它们的表现的问题，并提出一种基于领域不变性预测模型的方法来更好地估计模型在转移学习领域的性能，从而实现了领域自适应和对给定模型在分布转移情况下进行准确的目标误差估计，并可以用于模型选择、决定早期停机和错误检测。

    Jul, 2020

  • 学习不变表示以实现无监督图像恢复

    该研究论文提出了一种无监督学习方法，它通过显式地从噪声数据中学习不变展示来重建清晰图像，并通过引入离散解缠表示和敌对域自适应等额外的自监督模块实现。实验表明该方法在合成和真实噪声去除任务方面表现与最先进的监督和无监督方法相当，同时比其他领域适应方法具有更快和更稳定的收敛性。

    Mar, 2020

  • 鲁棒领域自适应：表示、权重和归纳偏差

    本文研究在无监督领域适应中，加权样本的重要性抽样策略与不变表征相互作用的理论方面，并提出了一种改进的学习算法，旨在加强归纳偏差，减轻适应过程中可能存在的标签偏移问题。

    Jun, 2020

  • 领域不变图像表示的高效学习

    本文介绍了一种能够有效地实现为线性分类器的学习表示算法，该算法能够明确地补偿域不匹配，并在训练分类器的过程中形成从目标（测试）域到源（训练）域的线性转换。通过多类别适应的表示学习，能够在异构特征空间之间进行映射，并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明，与之前的方法相比，提高了准确性并具有计算上的优势。

    Jan, 2013

  • 域不变表示中的支持和可逆性

    研究表明，学习领域不变表示已成为非监督领域适应的一种流行方法，但其局限性主要在于非反演变换中丢失的信息以及领域不变性是一个过于严格的要求，本研究提出了一种权衡代价的一般化界限，并建议使用测量源域覆盖目标域范围的范围来提高性能。

    Mar, 2019

  • 学习列表级领域不变表示以进行排名

    对排名问题进行领域适应的方法是通过学习列表级领域不变特征表示来实现的。理论上，我们建立了一个适用于 MRR 和 NDCG 等列表度量的领域适应泛化界限。通过对真实世界排名任务的无监督领域适应实验表明了其效果。

    Dec, 2022

  • DIRL: 面向 Sim-to-Real 转移的领域不变表示学习

    该论文提出了一个领域不变表示学习算法，能够通过拟合联合概率分布并采用对抗学习减少不同领域之间的偏移，提高基于视觉深度学习的物体识别的表现以及在真实场景中的应用。

    Nov, 2020