Dec, 2022

学习列表级领域不变表示以进行排名

PDF
TL;DR对排名问题进行领域适应的方法是通过学习列表级领域不变特征表示来实现的。理论上，我们建立了一个适用于 MRR 和 NDCG 等列表度量的领域适应泛化界限。通过对真实世界排名任务的无监督领域适应实验表明了其效果。
domain adaptationinvariant representation learningranking problemsgeneralization boundlist-level domain-invariant feature representations
发现论文，激发创造
  • 学习不变表示以进行领域自适应

    本文针对无监督域适应学习中常见的假设提出了简单反例，证明了这些假设并不足以保证域适应的成功；提出了一种基于信息理论的弱化条件，并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡；最后，通过实验验证了理论结果。

    Jan, 2019

  • 学习领域不变表示以多源迁移学习

    本研究探讨了多源领域自适应和领域泛化设置中的目标通用损失的上界和两种领域不变表示的定义，并研究了强制学习每个领域不变表示的优缺点和权衡，并通过实验来检查这些表示的权衡，探索了我们所开发的理论的其他有趣特性。

    Nov, 2021

  • 半监督域自适应的学习不变表示和风险

    本论文提出了一种用于半监督域适应的算法 LIRR，它能同时学习不变的表示和风险，并将特征空间中的边缘和条件分布对齐，实现了目标泛化能力的有意义提高。该算法在分类和回归任务上实现了最先进的性能和显著的改进。

    Oct, 2020

  • 无监督口音领域自适应学习不变表示和风险最小化

    本文探讨通过将语音表征映射到对应的高级语言信息以学习领域不变的语音表征，结果证明，学习到的 latents 不仅捕捉到每个音素的发音特征，而且提高了适应能力，在 accened 测试基准上大幅优于基准模型。

    Oct, 2022

  • 基于 Wasserstein 距离的领域自适应表示学习

    本文提出了一种新的方法 ——Wasserstein Distance Guided Representation Learning (WDGRL)，其利用神经网络来估计源域和目标域之间的 Wasserstein 距离，并以对抗的方式来优化特征提取器网络，以最小化估计的 Wasserstein 距离，该方法在情感和图像分类自适应数据集上的实证研究表明其优于现有的领域不变表示学习方法。

    Jul, 2017

  • 域不变表示中的支持和可逆性

    研究表明，学习领域不变表示已成为非监督领域适应的一种流行方法，但其局限性主要在于非反演变换中丢失的信息以及领域不变性是一个过于严格的要求，本研究提出了一种权衡代价的一般化界限，并建议使用测量源域覆盖目标域范围的范围来提高性能。

    Mar, 2019

  • 领域密度转换的域不变表示学习

    本论文提出了一种基于对抗生成网络的方法，通过学习域间变换的不变性来实现域不变表示的学习，以解决领域泛化问题，并在多个广泛使用的数据集上取得了与最先进模型竞争的结果。

    Feb, 2021

  • 领域不变图像表示的高效学习

    本文介绍了一种能够有效地实现为线性分类器的学习表示算法，该算法能够明确地补偿域不匹配，并在训练分类器的过程中形成从目标（测试）域到源（训练）域的线性转换。通过多类别适应的表示学习，能够在异构特征空间之间进行映射，并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明，与之前的方法相比，提高了准确性并具有计算上的优势。

    Jan, 2013

  • 基于不变式学习的对抗训练域不变表示的表示方法

    本文研究使用先前为学习 “公平表示” 而开发的审查技术来解决域泛化问题。我们研究了 $k$ 个域的对抗性损失函数及其渐近行为，并在此基础上获得了算法在以前未见过的域上良好最坏情况预测性能的充分条件。我们提供了完整的不变性特征描述，并为敌对不变域泛化提供了第一个形式化保证。

    Jun, 2020

  • 多样化匹配：一种面向领域适应的目标检测表示学习范式

    该研究介绍了一种针对目标检测的新型无监督域适应方法，通过域多样性和多域不变表示学习两个阶段来缓解像素级适应不完美和特征级适应带来的源偏差歧视。该方法在各种数据集上 mAP 平均精度方面的表现优于现有技术达到了 3%~11% 的大幅度提升。

    May, 2019