T-SVDNet：探索多源域自适应的高阶样板相关性

Jul, 2021

T-SVDNet：探索多源域自适应的高阶样板相关性

T-SVDNet: Exploring High-Order Prototypical Correlations for Multi-Source Domain Adaptation

Ruihuang Li, Xu Jia, Jianzhong He, Shuaijun Chen, Qinghua Hu

TL;DR该研究提出了一种名为 T-SVDNet 的新方法，通过将 Tensor 奇异值分解（T-SVD）结合到神经网络的训练管道中，全面探索多个域和类别之间的高阶相关性，旨在更好地弥合域差距，实现多源域自适应。与其他方法相比，在公共基准测试上，该模型在解决 MDA 任务时表现卓越。

Abstract

Most existing domain adaptation methods focus on adaptation from only one source domain, however, in practice there are a number of relevant sources that could be leveraged to help improve performance on target domain. We propose a novel approach named T-SVDNet to address the task of Multi-source Domain Adaptation (MDA), which is featured by incorporating Te

multi-source domain adaptation tensor singular value decomposition neural networks tensor-low-rank constraint uncertainty-aware weighting

发现论文，激发创造

深度学习时代的多源域适应：系统综述

本文介绍了多源域适应的概念和相关技术方法，探讨了其在深度学习时代的发展趋势和研究方向，为该领域的研究提供借鉴和参考。

Feb, 2020

通过二阶或更高阶散射张量的混合对齐来实现域自适应

本文提出了一种基于二阶或更高阶散布统计量的混合对齐方法，名为二阶或更高阶知识转移（So-HoT），用于域自适应，并在几个基准测试上获得了最先进的结果。

Nov, 2016

神经网络对抗训练的多源域适应

本论文提出了一种新的多源域自适应的一般化界限，并使用对抗神经网络学习特征表示，取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。

May, 2017

基于伪目标域的多源无监督域自适应

提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA)，采用敌对学习与度量约束将每组源和目标域映射到特定的子空间，并构造了一系列伪目标域进行训练以提高性能。此外，为提高深度神经网络的传递性，用有效的匹配规范化层代替传统批规范化层，给出理论分析和实验探究证明了该方法的有效性。

Feb, 2022

发现领域解耦来进行广义多源域自适应

本研究提出了一种多源领域适应方法 (GM-DA)，试图解决传统方法中源域与目标域之间类别不完全重叠的问题，该方法基于变分域解缠绕 (VDD) 框架，借助在线伪标签来识别未知类别的目标样本，并且在两个基准数据集上展现了该框架的有效性。

Jul, 2022

多源蒸馏领域自适应

该论文提出了一种新的多源蒸馏领域自适应（MDDA）网络，该网络考虑了多个源和目标之间的不同距离以及源样本与目标样本的不同相似性，通过预先训练源分类器、将目标映射到每个源的特征空间、选择最近的源样本进行微调和使用不同的域权重对不同预测进行聚合等四个阶段实现。实验表明，该方法明显优于现有的方法。

Nov, 2019

更多就是更好：多源深度域适应

在深度学习时代，由于很难获得大规模标记数据来训练先进的深度神经网络，因此将已学习的知识从有标签的源领域转移到无标签或稀疏标签的目标领域成为一种吸引人的替代方法，而多源领域适应则是在收集有不同分布的多个源的标记数据中的一个强大而实用的扩展。在本次调查中，我们首先定义了各种多源领域适应策略。接着，我们从不同的角度系统地总结和比较了现代多源领域适应方法，以及常用的数据集和一个简单的基准测试结果。最后，我们讨论了值得探索的多源领域适应的未来研究方向。

May, 2024

多源域适应回归

多源领域自适应算法通过回归问题的两步骤流程，提供了在多个源领域利用信息进行预测的方法，其中使用了灵活的单源自适应算法和集成学习，通过多种学习范式在目标适应学习器中实现线性组合，改进了预测性能。

Dec, 2023

通用源自由域自适应

该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

Apr, 2020

当无监督领域适应遇见张量表示

提出了一种基于学习的方法，用于直接适应源和目标张量表示，其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间，并展示了其在域自适应的卷积激活方面具有最佳性能。

Jul, 2017