极端标签稀缺情况下的自主跨领域适应
该论文提出了一种名为跨域自适应聚类的新方法,使用敌对训练产生自适应聚类损失,将未标记目标数据的特征分组到聚类中,并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量,并产生了更强大的聚类核心,从而实现了半监督领域自适应的最佳表现。
Apr, 2021
本文针对存在部分数据标记时的无监督域自适应问题提出了一种新方法,即交叉领域自监督学习方法,它能够有效地学习既具有领域不变性又具有类别判别性的特征表示,它通过自监督学习和跨领域特征匹配实现跨域知识转移,并在三个标准基准数据集上实现了显著的性能提升。
Mar, 2020
本文介绍了一种简单而有效的基于自适应学习的域自适应方法,称为自适应迁移分类器学习(SP-TCL),用于解决弱监督下的部分域自适应问题,通过精心设计的损失函数发现准确知识并在遵循自适应学习方案下从源域中迭代地排除示例,实现了目标域的成功适应,多项基准测试结果表明 SP-TCL 在多个广义域适应任务中明显优于现有方法。
Jun, 2024
本文提出一种面向跨域情感分类问题的方法,该方法采用半监督学习的想法,联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明,该方法可以更好地利用来自目标域的未标记数据,在各种实验设置中都取得了重大改进。
Sep, 2018
该研究提出了一种新的两阶段学习过程,以实现无监督域适应并实现源自由部署。在采购阶段,通过利用现有的源数据,在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力;在部署阶段,通过使用命名为源相似度度量的新型实例级加权机制,提出了一个简单而有效的源自由自适应目标,以设计一个统一的自适应算法,该算法可在各种范畴差异下运作,并实现了卓越的域适应性能。
Apr, 2020
提出了一种多级域自适应模型,通过同时对本地级别特征和全局级别特征分布进行对齐,以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题,并在多种实验中验证了其效果。
Jul, 2019
本文提出了一个更接近实际情况的机器学习问题:“不同领域的特征分布不同,且标签分布不均衡,如何将它们对齐?” 并构建了第一个包括 22 个跨域任务的基准测试数据集,并使用 COAL 模型进行了广泛的实验,发现大部分最新的领域自适应方法在同时具有特征和标签分布变化方面非常脆弱。COAL 模型能够有效地实现特征和标签的对齐,对于该问题的未来研究能提供更好的基准测试数据集。
Oct, 2019
该研究提出了一种名为 DisClusterDA 的新方法,将无监督领域适应问题重新表述为目标数据的判别式聚类,使用基于熵最小化、软 Fisher 准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息,同时结合并行的受监督学习目标来训练网络,经过对 5 个基准数据集进行的实验表明,DisClusterDA 在这些数据集上的表现优于现有的方法。
Feb, 2023
本篇论文提出了一种基于结构化预测的选择性伪标记策略,通过无监督聚类分析激活样本在深度特征空间内的固有规律以促进准确伪标记,实验证明该策略表现优于当代最先进方法。
Nov, 2019