Apr, 2022

渐进式领域适应的理解：改进分析、最优路径及其它

HTML
PDF
TL;DR本文提出Gradual Self-Training算法，通过逐步适应介于源域和目标域之间的中间域，使得在目标域上的泛化误差得到大幅度改善，在更为宽松的假设条件下给出了推导的新的上界，该上界只在T上线性地，加性地依赖于一系列基础参数，其中包括平均分布距离，不仅意味着最优的中间域数量存在，还暗示了一种最优的构建方式，同时在多个数据集上验证了该理论可行性。
发现论文，激发创造
  • 无监督多目标域自适应: 信息论方法

    本研究提出了一种信息理论方法来处理具有多个相似目标领域的无监督域适应问题，通过寻找一个共同的潜在空间，同时利用信息理论方法实现共享和私有信息的分离，并利用高效的优化算法完成从单一源到多个目标领域的自适应过程。

    Oct, 2018

  • 了解逐步领域适应的自训练

    论文研究了机器学习系统对随时间变化而演化的数据分布的适应性，在渐进领域适应的情况下，证明了使用自我训练的非空界，通过正则化和标签增强来提高算法精度，特别是对于Wasserstein-infinity距离较小的转化数据和真实肖像数据集。

    Feb, 2020

  • 现实世界域泛化的自适应方法

    本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

    Mar, 2021

  • 野外环境中的渐进领域适应：中间分布缺失时

    本研究提出了一种自适应方法GIFT，它利用从源域和目标域的例子的表示进行插值，从而在自适应过程中创建中间分布的虚拟样本。同时，GIFT在自适应中生成一个样本的教学计划来逐步适应目标分布。

    Jun, 2021

  • 无需索引中间域的渐进式领域自适应

    本研究提出了一种新的逐步领域自适应方法，称为Intermediate DOmain Labeler（IDOL），应用了粗到细的框架，通过逐步领域鉴别器训练和循环一致性损失函数，发现中间的领域序列，并提升了自适应性能。

    Jul, 2022

  • 深入研究连续领域自适应

    本文提出了连续域自适应（CDA）问题，并提出了一种新颖的方法作为 CDA 基线。该方法通过交替训练策略、连续性约束和域特定队列等手段，在多个域之间降低差异性并泛化到未见目标域，从而在CDA问题中实现了最优性能。

    Aug, 2022

  • 渐进领域适应：理论与算法

    我们提出了一种算法框架GOAT，可在数据相关的方式下生成中间领域，以改进标准的逐渐领域自适应（GDA）的性能，显著扩大GDA的实际应用场景。

    Oct, 2023

  • 逐步扩展源领域的无监督领域自适应

    通过渐进性的源领域扩展算法，将目标数据集作为伪源样本，从而通过多次重新初始化网络权重的训练，提取先前运行得出的知识，促进领域之间的对齐，改善无监督领域适应的准确性。

    Nov, 2023

  • 使用紧凑的内部表示进行无监督领域适应

    通过将源领域和目标领域的数据点映射到共享嵌入空间中，训练映射编码器使嵌入空间变得与领域无关，从而使在源领域上训练的分类器能够在目标领域上很好地泛化。为了进一步提高无监督领域适应 (UDA) 的性能，我们提出了一种降低源领域内部分布紧密度的技术，从而提高模型在目标领域中的泛化能力。相对于嵌入空间中不同类别的数据表示之间的间隔，我们提高了UDA模型的性能。为了使内部表示更紧密，我们将源领域的内部学习多模态分布估计为高斯混合模型 (GMM)。利用估计的GMM，我们增强了源领域中不同类别之间的分离性，从而减轻了领域转移的影响。我们提供了理论分析来支持我们的方法的优越性能。为了评估我们方法的有效性，我们在广泛使用的UDA基准数据集上进行了实证实验。结果表明我们的方法增强了模型的泛化能力，并超越了现有技术。

    Jan, 2024

  • 非平稳领域泛化：理论与算法

    该论文研究了非稳定环境下的领域泛化问题，并提出了一种基于自适应不变表示学习的新算法，该算法利用非稳定模式来训练一个在目标领域上具有良好性能的模型。实验证实了该算法在合成数据和真实数据上的有效性。

    May, 2024