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
本文提出了一种名为 Noisy UniDA 的现实情况下的通用域适应解决方案,它使用卷积神经网络框架来检测源域中带有噪声的样本,查找目标域中的未知类别,并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中,所提出的方法在大多数设置中都比现有方法表现优异。
Apr, 2021
本文提出了一个名为 “不清晰统一域适应” 的新颖场景,以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域 / 目标域分布不同等挑战的方法,并在多个场景下验证了该方法的有效性和优越性
Apr, 2023
本文提出了一种基于全局和本地聚类的学习技术(GLC),以实现知道领域和类别转换下已知数据样本的识别,并仅使用标准预训练源模型的知识从而拒绝那些 “未知” 的数据样本。我们检验了我们的方法在包括部分集、开放集和开放部分集 DA 等不同类别转化情境下的多个基准测试中相对于 UMAD 的优越性,值得注意的是,我们的方法在最具挑战性的开放部分集 DA 情境下比 UMAD 高出 14.8%。
Mar, 2023
我们提出了一个新颖的具有邻域不变性的相互学习网络方法(MLNet),通过自适应邻居选择和置信度引导的不变性特征学习来减少目标域内的内部变化,通过交叉领域混杂方案进行更好的未知类别识别,互学习闭合集和开放集分类器以弥补已知类别错误的识别。在三个公开基准测试中,广泛的实验证明我们的方法在大多数情况下均取得最佳结果,并且在 UniDA 的四个设置中显著优于基线。
Dec, 2023
部署机器学习系统到未知领域时,需要它们能够有效利用先前的知识,同时对异常输入发出警报。本文提出了一个全面的自然语言基准,以验证模型的普适性和鲁棒性,并观察到原本设计用于图像输入的 UniDA 方法可以有效地迁移到自然语言领域,并强调了适应难度对模型性能的影响。
Oct, 2023
本文研究了无监督领域自适应的方法,使用神经网络学习表示来预测重要特征的子集,并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。
May, 2019
本文提出了一种针对具有一个源域和多个目标域的无监督域适应场景 (1SmT) 的模型参数自适应转移的无监督域适应框架 (PA-1SmT),该框架通过学习一个共同的模型参数词典进行知识转移,并在三个领域适应基准数据集上实验验证了其优越性。
Sep, 2018
本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题,并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异,具有更好的特征鉴别能力。
Jan, 2019
通过引入新的先验引导的伪标签优化策略,提出了一种改善 UniSSDA 适应性设置中常见类别偏差的方法,有助于在 Office-Home、DomainNet 和 VisDA 等基准数据集上取得最佳性能,并为 UniSSDA 建立了新的基准线。
Mar, 2024