Jan, 2022

基于 SPD 流形的深度最优传输领域自适应

PDF
TL;DR该研究提出了一种基于对称正定流形上的最优传输框架的迁移学习方法，并应用于 EEG-BCI 领域的跨会话运动想象分类问题，有效提升了分类的准确率。
domain adaptationsymmetric positive definite manifoldsoptimal transportdeep optimal transporteeg-bci classification
发现论文，激发创造
  • SPD 矩阵圆锥流形上的平行输运用于领域自适应

    本文提出一种基于协方差矩阵和对称正定矩阵的锥形流形平行传输的领域自适用方法，并使用黎曼几何进行了严格分析，同时在模拟和真实数据上进行了实验，证明了该方法的理论保证和实际效果。

    Jul, 2018

  • 深度联合分布最优输运：用于无监督域自适应

    本文介绍了一种名为 DeepJDOT 的解决计算机视觉中领域转移问题的方法，基于最优传输的联合深层表示 / 标签的差异度量，不仅学习新的数据表示，而且同时保留了分类器使用的判别信息。我们将 DeepJDOT 应用于一系列视觉识别任务中，表现出良好的效果并与最先进的深度领域适应方法进行比较。

    Mar, 2018

  • 最优传输理论分析的领域自适应

    本文在探讨域自适应的过程中，提出了一种使用 Wasserstein 度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。

    Oct, 2016

  • 基于流形度量学习的领域自适应统一框架

    通过利用统计流形的曲率黎曼几何，我们提出了一种新的域自适应框架，该框架可以整合标记源域和未标记目标域之间的几何和统计差异，从而实现源到目标的转移。

    Apr, 2018

  • 领域自适应的最优传输

    该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。

    Jul, 2015

  • 稀疏正则化最优输运的流形学习

    通过对优化传输具有二次正则化的对称版本的利用来构建稀疏且自适应的亲和矩阵的流形学习方法，从而检测数据嵌入的潜在流形是广泛一类下游分析的先决条件。我们证明了连续极限中产生的核函数与拉普拉斯类型算子一致，并在模拟中展示了对异方差噪声的鲁棒性，我们还确定了适用于离散数据的计算该优化传输的高效计算方案，并证明在一系列示例中它优于竞争方法。

    Jul, 2023

  • 超越不变表示学习：线性可对齐潜空间进行高效的解析域自适应

    本文提出了一种基于最优传输的领域适应方法，使用仿射映射的封闭形式解决方案，并学习一个嵌入空间，使得该解决方案是最优且计算复杂性较低的。我们证明了该方法在同质和异质适应设置中均有效，并且优于或与其他基于传统 OT 和不可比空间的著名基线相当。此外，我们展示了我们的方法大大降低了计算复杂性。

    May, 2023

  • 目标偏移下的多源域自适应最优传输

    本文提出了一种基于最优传输的多源域自适应方法解决目标移位下的分类问题，实验结果表明相比现有技术在卫星图像分割任务上具有较好的性能。

    Mar, 2018

  • 通过高斯混合模型进行域适应的最优输运

    通过最优传输探索领域适应的研究，提出了一种新颖的方法，通过高斯混合模型对数据分布进行建模，从而解决连续最优传输问题。实验结果表明该方法在故障诊断的领域适应基准上具有最先进的性能。

    Mar, 2024

  • 高斯混合模型与最优输运在多源域自适应中的轻量化、优化、快速

    多源领域自适应是迁移学习中的任务之一，本文提出了基于最优传输和高斯混合模型的新框架，在图像分类和故障诊断两个领域中，通过 GMM-WBT 和 GMM-DaDiL 策略实现多源领域自适应，显示出在提高性能的同时更快速、参数更少。

    Apr, 2024