AAAIDec, 2020

联合风险如何影响无监督领域自适应方法的性能？

PDF
TL;DR提出了一种名为 E-MixNet 的方法，旨在通过新的混合技术来评估目标域的估计风险，并在目标域缺乏标记样本的情况下来控制组合风险，从而提高无监督领域适应的性能。
unsupervised domain adaptationtarget classifierdistribution discrepancye-mixnetproxy
发现论文，激发创造
  • 无监督多源域自适应，无需访问源数据

    该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。

    Apr, 2021

  • 多源交叉领域分类中基于领域特定分布和分类器的对齐

    本文提出了一个两阶段的框架，用于多源无监督域适应问题，该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐，以及利用领域特定的决策边界对分类器的输出进行对齐，以解决域内不变表示对于所有域的提取困难和方法在不考虑领域特定决策边界的情况下匹配分布可能带来的问题，这种方法在经典的图像分类数据集上取得了显著的结果。

    Jan, 2022

  • 基于黑盒源模型的分割无监督领域自适应

    本文提出了一种基于黑盒分割模型的无监督域自适应解决方案，利用指数混合衰减的知识蒸馏方案逐步学习目标特定表示，并应用无监督熵最小化来规范目标域置信度，最终在 BraTS 2018 数据库上取得了与白盒源模型适应方法相当的性能。

    Aug, 2022

  • 跨域梯度差异最小化用于无监督域自适应

    本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术

    Jun, 2021

  • UMAD: 面向领域和类别漂移的通用模型自适应

    该文提出了一种名为 UMAD 的通用模型适应框架，能够在不使用源数据或了解域之间类别偏移的先验知识的情况下处理 open-set 和 open-partial-set 的两种 UDA 场景，并通过实验证明其在数据隐私敏感型应用中具有可比较甚至更优的性能。

    Dec, 2021

  • 无监督深度域自适应中的潜在域推断

    本文提出了一种新的深度学习架构，通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题，在公共基准测试中表现优于现有的方法。

    Mar, 2021

  • 通过校准不确定性进行无监督领域自适应

    本文提出了一种基于源域推广到目标域的无监督领域适应方法，该方法通过校准源域和目标域的预测不确定性（以 Renyi 熵度量）来实现，使用变分贝叶斯学习可靠的不确定性估计，并讨论了其理论性质并在实验中验证了其有效性。

    Jul, 2019

  • 多领域判别器与自适应自训练的无监督领域自适应

    本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

    Apr, 2020

  • 一个隐私保护的无监督领域适应框架，用于临床文本分析

    本文提出了一种隐私保护的领域自适应方法，使用差分隐私处理 GMM 模型中的源特征分布，避免了源数据隐私泄漏的风险，并且在医疗报告疾病标签分类任务中取得了可接受的性能。

    Jan, 2022

  • 改进跨域混合采样，基于指导训练的自适应分割

    通过引入辅助任务 “Guidance Training”，我们提出了一种新型的无监督领域自适应方法，该方法在减轻领域间分布差异的同时，引导模型从混合数据中提取和重建目标领域特征分布，并利用重建的特征进行伪标签预测，从而改进了现有方法的性能。

    Mar, 2024