COVID-19 信息服务的无监督域自适应对比敌对域混合

Oct, 2022

COVID-19 信息服务的无监督域自适应对比敌对域混合

Unsupervised Domain Adaptation for COVID-19 Information Service with Contrastive Adversarial Domain Mixup

Huimin Zeng, Zhenrui Yue, Ziyi Kou, Lanyu Shang, Yang Zhang...

TL;DR本研究提出了一种基于对比学习和对抗域混合的无监督域自适应框架，用于将知识从现有数据域传递到目标 COVID-19 数据域，以适应 COVID-19 误信息检测系统。实验证明，我们的方法相比最新的基线算法能够有效地适应未知的 COVID-19 目标领域并取得显著的改进。

Abstract

In the real-world application of covid-19 misinformation detection, a fundamental challenge is the lack of the labeled COVID data to enable supervised end-to-end training of the models, especially at the early st

covid-19 misinformation detection unsupervised domain adaptation contrastive learning adversarial domain mixup

发现论文，激发创造

基于对比领域自适应的早期虚假信息检测：以 COVID-19 为例

本文提出了一种用于早期误报检测（CANMD）的对比适应网络，它通过伪标记和标签纠正组件相结合，有效地适应了未知 COVID-19 目标领域，与现有技术相比，取得了显著的改进。

Aug, 2022

使用 Mixup 训练改进无监督领域自适应

本论文研究了无监督域适应问题，提出了使用 mixup 公式在领域之间强制应用训练约束，并引入特征级一致性正则化器来促进跨域约束，有条件混合和领域对抗学习，显著提高了图像分类和人类活动识别的重要任务的最新表现。

Jan, 2020

领域混合的对抗性领域自适应

本研究提出在深度神经网络中结合域随机映射 (Domain Mixup) 的方法用于域自适应领域，研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。

Dec, 2019

MetaAdapt: 基于 Meta Learning 的领域自适应小样本谣言检测

本文提出 MetaAdapt，一个基于元学习的方法，旨在解决在社交媒体等新兴领域中针对虚假信息检测的数据稀缺性问题，具有更好的领域适应性、优秀的表现和大幅减少的参数。

May, 2023

使用伪标签进行 COVID-19 检测的领域自适应

我们提出了一个两阶段框架，利用伪标签进行领域自适应，以提高从 CT 扫描中检测 COVID-19 的速度和准确性。通过利用一个领域的注释数据和另一个领域的非注释数据，该模型克服了在新兴健康危机中普遍存在的数据稀缺和变异挑战。生成伪标签的创新方法使得模型能够迭代地改进学习过程，从而提高其在不同医院和医疗中心的适应性和精度。在 COV19-CT-DB 数据库上的实验结果展示了该模型在高诊断精度方面的潜力，极大地促进了高效的患者管理，并减轻了医疗系统的压力。我们的方法在 COVID-19 领域适应挑战的验证集上取得了 0.92 的宏 F1 得分。

Mar, 2024

使用对抗性损失对卷积神经网络进行生物医学图像分割的无监督跨模态域自适应

本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割，取得了良好的结果。

Apr, 2018

无监督域间谣言检测中的对抗学习与交叉注意力

通过对抗学习方法，结合交叉注意力机制和聚类方式产生伪标签，进一步优化了跨领域谣言检测模型，实现了领域间特征对齐，并提出了一种域不变表征方法，取得了业内领先的表现。

Mar, 2023

通过多模态特征对鲁棒领域虚假信息检测

社交媒体误导信息对个人和社会有害，并且多模态内容（即文本和图像）使其更具 “可信度”，高于仅有文本的新闻报道。我们提出一种新颖的鲁棒领域与多模态方法（RDCM），用于多模态误导信息的检测，通过领域内对齐模块降低领域漂移，并通过跨模态对齐模块弥合两种模态之间的语义差距。在两个公开的多模态误导信息检测数据集（Pheme 和 Twitter 数据集）上的评估结果证明了该模型的优越性。

Nov, 2023

COVID-19 检测中的领域适应高置信度伪标签

这篇论文概述了我们在 “计算机视觉与模式识别会议（CVPR）” 的 “医学图像分析中的领域适应、可解释性和公平性 AI（DEF-AI-MIA）” 研讨会上，参加第四届 COV19D 竞赛的提交内容。竞赛包括两个挑战，第一个是从 COV19-CT-DB 数据库的一千多个 CT 扫描中训练一个分类器来检测 COVID-19 的存在。第二个挑战是通过获取来自挑战 1 的数据集并添加一小部分扫描（有些注释有些没有）来执行领域适应。我们对 CT 扫描进行了预处理以分割肺部，并输出了包含单独和整体肺部的体积。然后我们在这些输入上训练了 3D ResNet 和 Swin Transformer 模型。我们使用这些模型的整合对未标记的 CT 扫描进行了注释，并选择高置信度的预测结果作为微调的伪标签。结果竞赛 1 的最佳交叉验证 F1 得分为 93.39％，竞赛 2 的平均 F1 得分为 92.15。

Mar, 2024

使用深度学习导航 COVID-19 谣言万花筒

通过系统研究表明，基于深度 Transformer 的预训练模型，虽然在混合领域转移学习方面表现出色，但无法为检测 COVID-19 社交媒体数据中的错误信息提供通用解决方案。因此，本文提出了一种使用浅层网络和卷积神经网络的分层方法来提取目标数据中的局部和全局上下文，从而实现更为具有普适性的解决方案。

Sep, 2021