模型适应:无源数据对比学习的无监督域自适应
该论文提出了一种在无监督领域适应的情况下,采用自我监督学习的对比方法以减少培训和测试集之间的领域差异,实现了简单而有效的领域对齐框架 CDCL,并使用伪标签进行评估, 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。
Jun, 2021
本文介绍了一种自主学习方法的无监督域自适应技术,即 Domain Confused Contrastive Learning(DCCL),旨在通过域拼图来构建源域和目标域之间的桥梁,并在适应后保留有区分性的表示。此外,作者还探讨了在进行其他数据增强时,对比学习是否有助于 UDA。实验表明,DCCL 的表现显著优于基线。
Jul, 2022
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
本文针对无监督域适应问题,提出了一种基于对比度预训练的分类器学习方法,该方法可以学习到跨领域的分类特征而无需在领域间建立不变特征映射,并在基准视觉数据集上获得了验证。
Apr, 2022
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
本文提出了一种名为 CLUDA 的新颖的时序数据无监督领域适应框架,旨在使用对比学习框架来学习多变量时间序列的语境表示,并通过自定义最近邻对比学习来捕获源域和目标域之间的上下文表示变化,从而实现了在时间序列领域中学习域不变上下文表示的方法,并可用于对多种时间序列数据集进行评估以证明其有效性和卓越性能。
Jun, 2022
该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法,只需要无标签的目标数据和源分类器,有效地解决了预训练模型中源数据不可用的问题,并表明其在有限标记数据的情况下胜过微调基线。
Jul, 2020
本文探讨了一种实际的领域自适应任务,称为无源域自适应(SFUDA),在此任务中,源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的 SFUDA 范例 Divide and Contrast(DaC),使用自适应对比学习框架,通过预测的置信度将目标数据分为类似源域和特定于目标域的样本,并针对每个组别进行调整目标,以在全局和局部层面上提高性能
Nov, 2022
本文提出一种基于源模型的无监督域自适应解决方案 SHOTS,在缺乏源数据的情况下,通过信息最大化和自监督伪标签相结合的方式,学习目标特定的特征提取模块,从而使目标域的表示与源假设对齐,并在多个域自适应基准测试中取得了最新的成果。
Feb, 2020