基于对抗神经表示学习的异构域自适应：以电子商务和网络安全为例的实验

May, 2022

基于对抗神经表示学习的异构域自适应：以电子商务和网络安全为例的实验

Heterogeneous Domain Adaptation with Adversarial Neural Representation Learning: Experiments on E-Commerce and Cybersecurity

PDF

Mohammadreza Ebrahimi, Yidong Chai, Hao Helen Zhang, Hsinchun Chen

TL;DR该研究提出了一种新的框架 Heterogeneous Adversarial Neural Domain Adaptation (HANDA)，专门针对异构环境下的域自适应问题，通过统一的神经网络架构实现特征和分布的对齐以及域不变性，并在主要的图像和文本电子商务基准测试中表现出统计显著的预测性能提高。

Abstract

Learning predictive models in new domains with scarce training data is a growing challenge in modern supervised learning scenarios. This incentivizes developing domain adaptation methods that leverage the knowledge in known domains (source) and adapt to new domains (target) with a diff

domain adaptation heterogeneous feature spaces neural representations adversarial kernel learning e-commerce

发现论文，激发创造

领域对抗神经网络

本研究提出了一种针对领域自适应问题的新型表示学习算法，其中训练和测试数据来自类似但不同的分布，实验结果表明，我们的神经网络算法对领域适应具有更好的性能表现，而不管是标准神经网络还是支持向量机，即使是使用 Chen 等人提出的最先进的边缘化堆栈去噪自编码器的输入特征提取。

Dec, 2014

神经网络的领域对抗性训练

本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

May, 2015

增强特征学习用于异构域适配

本文提出了一种新的异构领域适应 (HDA) 学习方法，使用两个不同的投影矩阵将两个域的数据转换为公共子空间，并提出两个新的特征映射函数将转换后的数据与原始特征和零进行增强。使用 SVM 等现有学习方法，本方法称为异构特征增强 (HFA) 可以有效地利用来自两个域的数据进行 HDA 并比现有方法表现更好。同时，文章还设计了交替优化算法来解决 HFA 中的非平凡优化问题。

Jun, 2012

启发式域自适应

本文提出了一种基于启发式搜索的领域不变和领域特定信息建模方法 —— 启发式领域自适应 (HDA)，并通过导出启发式表示约束，提出了一种启发式领域自适应网络 (HDAN)。实验证明，该方法在无监督 DA、多源 DA 和半监督 DA 等任务上均超过了现有最先进方法。

Nov, 2020

软传递网络实现异构领域适应

本文提出了一种软传输网络（STN）来解决异构域适应问题，它可以联合学习一个领域共享的分类器和一个领域不变的子空间，并通过软标签策略匹配跨域的边缘和条件分布，进而避免负转移的问题。实验结果表明，该方法在图像到图像、文本到图像和文本到文本的转移任务中显著优于几种前沿方法。

Aug, 2019

动态对抗适应网络的迁移学习

该论文提出了一种新的动态对抗自适应网络（DAAN），旨在在量化评估全局和本地域分布的相对重要性的同时，动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练，并取得了比现有方法更好的分类准确性，结果表明对抗迁移学习中动态分布自适应的必要性和有效性。

Sep, 2019

正样本和未标注数据的异构领域自适应

该论文提出了一个新的异构无监督领域自适应 (UDA) 任务：正例与未标记数据异构领域自适应 (positive and unlabeled heterogeneous domain adaptation, PU-HDA)，并针对该任务提出了一种名为 PADA 的新颖方法，该方法通过对抗训练框架学习分类器，以预测可能的正例，并学习特征转换器将目标领域的特征空间对齐到源领域的特征空间，从而减小源域数据和目标域的可能正例数据之间的分布差异。

Apr, 2023

判别式对抗领域自适应

提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

Nov, 2019

多重对抗领域适应

本文提出一种多重对抗领域自适应方法 (MADA)，能够捕获多模态结构，利用多个领域判别器实现不同数据分布的精细对齐，利用随机梯度下降计算梯度，证据表明该模型在标准领域自适应数据集上优于现有最先进方法。

Sep, 2018

异构领域自适应：无监督方法

本文介绍了一种用于异构无监督领域自适应的创新传输模型 GLG，该模型通过构建同质化表示形式并通过测量他们与原始源和目标域之间的角度距离，达到了知识转移的目的，并在癌症检测、信用评估和文本分类等三个应用领域中的十个任务中展示出优异的性能表现。

Jan, 2017