Feb, 2023

领域索引变分贝叶斯：可解释性领域索引用于领域自适应

PDF
TL;DR本文提出了一种通过 Adversarial Variational Bayesian 方法从多域数据中推断域索引的框架，旨在提高域自适应性能并提供关于域之间关系的额外洞察力，实验结果表明该模型可以生成可解释的域指数，相比其他域自适应方法，在合成和真实数据上均能实现更优异的性能。
domain indexdomain adaptationadversarial variational bayesian frameworkmulti-domain dataempirical results
发现论文，激发创造
  • 连续索引域自适应

    该研究讨论了在医疗应用中跨越不同年龄阶段对于疾病分析和预测的持续化索引的域自适应问题。论文提出了一种新方法，结合传统的对抗性适应和一个能建模编码条件下的域索引分布的判别器，将域索引使用于连续范围的域自适应。实验结果表明，该方法在合成和现实世界的医学数据集上的表现优于其他领先的自适应方法。

    Jul, 2020

  • 更贝叶斯：具有不确定性的领域不变学习

    本文提出了一种基于概率框架和可分变贝叶斯推理的方法，将不确定性引入神经网络权重来处理由于目标域数据不可访问引起的域移位和不确定性挑战。实验结果表明，该方法在四个广泛使用的交叉域视觉识别基准测试中始终提供最先进的平均准确性。

    May, 2021

  • 基于图模型的领域适应问题推断

    本文基于数据驱动的无监督域适应，提出使用图形模型作为联合分布变化特征的紧凑表示，并将域适应视为贝叶斯推理问题，区分分布的常变模块并指定跨域之间的变化属性，进而为推导目标变量 $Y$ 的后验分布提供 先验知识，该框架证明适用于合成和真实数据的实验结果。

    Feb, 2020

  • f 域对抗学习：理论与算法

    本文提出了一种新的通用领域敌对框架，利用变分 f - 分歧的特征进行领域自适应。基于此框架，推导出了具有重要修正的新算法框架，并证明了其在自然语言和计算机视觉数据集上优于现有的基线结果。

    Jun, 2021

  • 使用变分推断的半监督随机多领域学习

    该研究提出了一种基于潜变量模型的多领域学习系统方法，可用于提取重要的领域信号，并在对抗性学习等方法中，相对于其他对比基准领域适应方法，显著提升了性能。

    Jun, 2019

  • 稳定的脑机接口对抗领域适应

    介绍了一种新的计算方法，可以从神经数据的低维潜在表示中解码运动意图，并实施各种域自适应方法来稳定配合方式。 使用 Adversarial Domain Adaptation 网络训练，此方法在解决域适应问题方面表现出众，而且只需要极少的数据点。

    Sep, 2018

  • PAC-Bayesian 环境下域适应界限的改进

    本文基于 PAC-Bayesian 理论对领域自适应进行了理论分析，提出了 Germain et al. 等人之前领域适应界限的改进方法，首先给出了另一个更紧密且易于解释的泛化界限，此外，还为界限中出现的常数项提供了新的分析，这对于开发新的算法解决方案非常有趣。

    Jan, 2015

  • 基于变分贝叶斯框架的领域相关变量高级图像生成

    通过定义一个统一的贝叶斯框架，我们提出了一种变分贝叶斯图像转换网络（VBITN），该网络可以实现多个图像转换和编辑任务；在诸多实验中我们显示了该方法在无监督图像到图像翻译中的有效性，并证明了其在语义编辑和混合领域翻译方面的新颖高级能力。

    May, 2023

  • 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

  • 通过层变分分析解释领域适应

    通过层变化分析等方法，本研究建立了深度学习中转移学习的理论模型，揭示了其成功的数据条件与知识传递过程，并且提出了一种针对网络的转移学习方法，有效提高了域适应的效率和准确性。

    Feb, 2023