Mar, 2021

基于差异性的域自适应主动学习

PDF
TL;DR论文旨在设计主动学习策略，实现基于 Lipschitz 函数假设的领域自适应。通过对 Mansour 等人（2009）的先前工作进行补充，我们将源和目标分布之间的差异距离概念适应于假设类的最大化，来局限于在源域上执行准确标记的函数类。我们针对满足正则条件的一般损失函数导出了这种主动学习策略的推广误差边界，用于兰德马赫平均值和局部差异度量。从理论边界中推导出实用的 K-medoids 算法，可以处理大数据集的情况。我们的数值实验表明，在领域自适应的情况下，特别是在约十万个图像的大数据集上，所提出的算法与其他最先进的主动学习技术具有竞争力。
active learningdomain adaptationlipschitz functionsdiscrepancy distancerademacher average
发现论文，激发创造
  • 领域自适应：学习界限和算法

    本文介绍了一种针对域自适应问题的新型分布距离度量 —— 偏差距离，并给出了不同损失函数的估计方法以及普遍推广界限。同时，本文也探讨了偏差距离减少和多种损失函数的最小化算法，并验证了其在不同应用场景的有效性。

    Feb, 2009

  • 无监督域自适应的平滑表示学习

    本文研究了利用 Lipschitz constraint 约束 unsupervised domain adaptation 的错误下界和利用 local smooth discrepancy 来评估 target 分布的 Lipschitzness，提出了一个优化策略并进行了实验分析。研究结果表明样本量、维度和批量大小是影响该策略的关键因素。

    May, 2019

  • 领域自适应的判别式主动学习

    本文提出了一种用于区域自适应的主动学习方法，通过使用三阶段的主动对抗训练神经网络（包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略，以及使用查询的目标标签重新训练阶段)，该方法可以减少数据标注的工作量，对四个基准数据集进行的实证比较表明了该方法的有效性。

    May, 2020

  • 基于广义差异的适应性算法与理论

    本文提出了新的域自适应算法，优于以前的差异最小化算法，不像以前的算法那样在训练样本上具有固定的损失权重重新加权，我们的算法有坚实的理论基础和更有利的学习界限，并提供了一种有效的解决其优化问题的方法，实验结果表明该算法优于差异最小化。

    May, 2014

  • 关于深度领域自适应的最小差别估计

    本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

    Jan, 2019

  • 领域自适应中理论和算法的桥梁

    本研究从理论和算法角度探讨了无监督域自适应的问题，并引入了一种名为 Margin Disparity Discrepancy 的新测量方法，成功地将该理论转化为一种对抗学习算法，极大地提高了域自适应的状态。

    Apr, 2019

  • 通过类中心匹配和局部流形自学实现领域自适应

    本文提出了一种新颖的领域自适应方法，通过聚类和伪标签匹配等技术，对减少两个领域之间的分布差异，实现了在无监督和有监督领域自适应方面的显着优势。

    Mar, 2020

  • KL 导向领域适应

    本文研究了领域自适应中的输入表示对齐问题，提出了一种基于最小化源域和目标域表示分布之间的反向 Kullback-Leibler 差距的方法，利用概率表示网络实现了高效稳定的对齐方法，实验结果表明其优于其他对齐方法。

    Jun, 2021

  • 紧密但不同的领域自适应

    该论文提出了一种名称为 CDDA 的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

    Apr, 2017

  • 主动域自适应中对标签分布偏移的对抗

    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