Jun, 2022

通过不确定性建模学习域自适应的无偏可迁移性

HTML
PDF
TL;DR研究了领域自适应中的可转移性估计问题，并提出了一种非侵入式的无偏转移估计插件（UTEP）来优化无偏传递。通过估计到达数据的不确定性来对目标领域中未标记样本的伪标签进行选择，以帮助实现域之间更好的分布对齐。在广泛的DA基准数据集上的实验证明，所提出的方法可以轻松地并入各种基于对抗的DA方法，并实现了最先进的性能。
发现论文，激发创造
  • 特征规范自适应方法：适用于无监督域自适应的更大规范更易迁移

    通过适应特征规范实现域适应来解决目标任务的模型性能下降问题，该方法将标准域适应和部分域适应统一计算，并且在 Office-Home 数据集上取得了 11.5% 的性能提升，在 VisDA2017 数据集上取得了 17.1% 的性能提升。

    Nov, 2018

  • 针对部分领域适应的样例迁移学习

    本文通过提出Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。

    Mar, 2019

  • 贝叶斯不确定性匹配在无监督域自适应中的应用

    通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果

    Jun, 2019

  • 循环一致条件对抗迁移网络

    本文提出一种名为3CATN的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。

    Sep, 2019

  • 多功能域自适应的最小类混淆

    本研究提出了一种通用的归纳偏见，即最小类混淆(MCC)方法，该方法不仅易于收敛，而且可以有效地处理多个不同的领域适应(DA)方案，特别是在Partial-Set和Multi-Target DA两个难度较高的数据集上表现优异。

    Dec, 2019

  • 基于平衡和不确定性感知的部分域自适应方法

    本研究提出了一种用于解决源域与目标域类别不完全相同情况下的无监督域适应问题的方法BA$^3$US，通过两种新技术BAA和AUS来平衡类分布并抑制不确定性的传播，在多个基准测试中，实验结果表明BA$^3$US优于现有方法。

    Mar, 2020

  • 在嘈杂环境下实现准确且稳健的领域适应

    本文提出了一种使用离线课程学习和代理分布的边际差异方法来消除标签噪声和特征噪声的领域自适应算法，并将其无缝转化为一个对抗网络进行联合优化，在存在噪声的环境下，与现有技术相比取得了超过10％的准确度提高。

    Apr, 2020

  • 领域适应中具有更低偏差和方差的可迁移校准

    本论文研究了领域自适应中的标定问题，提出了Transferable Calibration方法来解决这个问题。该方法可以帮助现有的领域自适应模型更准确地进行标定，从而在关键场景下做出更可靠的决策。

    Jul, 2020

  • 多源主动域转移中的领域偏移和样本不确定性重新审视

    提出了一种动态集成不确定性估值框架（Detective），通过学习适应多源域的模型参数来兼容多源域的联合，综合考虑多源域与目标域之间的领域偏移，使用证据深度学习来探测信息量大的目标样本，并引入上下文多样性感知计算器来增强选定样本的多样性。实验证明，该解决方案在三个领域适应基准上的表现显著优于现有方法。

    Nov, 2023

  • 关于无需模型特定信息和多个源域的自适应领域迁移的研究

    多源无监督领域适应的模型选择问题和跨域转移能力估计的新方法，通过选择准则和新框架有效地学习鉴别性目标模型。

    Mar, 2024