基于聚类不确定性加权嵌入的主动域适应
本文提出一种基于特征聚类和正交性损失等方法的无监督领域自适应策略,能够在合成到真实场景的情况下有效提高特征空间结构的判别能力并达到最先进的性能。
Nov, 2020
提出了一种混合主动学习策略 HUDS,用于神经机器翻译中的领域适应,通过结合不确定性和多样性来选择待注释的句子,实验证明 HUDS 比其他强基线方法更好地提升了性能。
Mar, 2024
提出了一种动态集成不确定性估值框架(Detective),通过学习适应多源域的模型参数来兼容多源域的联合,综合考虑多源域与目标域之间的领域偏移,使用证据深度学习来探测信息量大的目标样本,并引入上下文多样性感知计算器来增强选定样本的多样性。实验证明,该解决方案在三个领域适应基准上的表现显著优于现有方法。
Nov, 2023
提出了一种主动域自适应的方法,通过新的采样策略,在满足代表性、多样性和不确定性的同时,选择最能近似整个目标分布的样本,并使用这些样本进行监督学习以及匹配源域和目标域的标签分布,取得了显著的性能提升。在四个公共基准测试上,本方法在每种自适应情景下均显著优于现有方法。
Aug, 2022
本论文提出了一种基于梯度嵌入和预测校准的主动学习方法 Ask-n-Learn,结合数据扩增缓解伪标注期间的确认偏差,通过对基准图像分类任务(CIFAR-10,SVHN,Fashion-MNIST,MNIST)的经验研究,证明了该方法优于最近提出的 BADGE 算法等现有基线。
Sep, 2020
Divide-and-Adapt (DiaNA) is an active domain adaptation framework that utilizes active learning techniques and a customized learning strategy to accurately recognize gainful samples and handle data with large variations of domain gap.
Jul, 2023
通过无监督的领域自适应方法以及在上下文学习环境下的查询元素子集检索策略,我们研究了适应语言模型从源领域到目标领域的问题,以学习目标领域分布并通过语言建模实现任务信号的适应,从而在情感分析和命名实体识别任务中实现了显著的性能提升。
Nov, 2023
D2ADA is a framework for active domain adaptation in semantic segmentation, proposing an approach to acquire labels of samples with high probability density in the target domain yet with low probability density in the source domain, and designing a dynamic scheduling policy to adjust labeling budgets between domain exploration and model uncertainty that outperforms existing baselines with less than 5% target domain annotations.
Feb, 2022