学习独特边界以实现主动领域自适应
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
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
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。
Mar, 2021
本文介绍了一种基于能量模型的主动学习策略,名为“EADA”,可用于帮助将深度神经网络推广到新的目标域。该算法通过求解目标数据组的自由能量,结合领域特征和实例不确定性,从中选择最有价值的目标数据样本。此外,领域差可以通过调整目标数据的自由能量使之紧凑地围绕源域,从而得到有效缩小。实验表明,该算法在各项基准测试中表现良好,比其他先进方法有很大的优势。
Dec, 2021
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
该研究综合分析了在69个现实世界的标签分类数据集上,使用各种主动学习算法在深度神经网络上的表现,结果表明,基于经典边际采样技术的算法在各种实验设置下都能匹配或超越其他算法,甚至包括当前的最佳算法。
Oct, 2022
Divide-and-Adapt (DiaNA) is an active domain adaptation framework that utilizes active learning techniques and a customized learning strategy to accurately recognize gainful samples and handle data with large variations of domain gap.
Jul, 2023
多源无监督领域适应(MUDA)旨在将相关源领域的知识转移至无标签的目标领域。本文提出了一种名为动态领域差异调整的主动多领域适应方法(D3AAMDA),通过建立多源动态调制机制和多源主动边界样本选择策略(MABS)来解决MUDA方法的问题,并在常用领域适应数据集上对提出的方法进行了广泛评估,实验结果明确证明了该方法的优越性。
Jul, 2023