ICLRFeb, 2023

基于 Dirichlet 的活动领域适应不确定性校准

PDF
TL;DR该研究提出了一种基于狄利克雷分布的不确定性校准方法来提高领域适应模型，同时解决了不确定性预测和关键样本挑选的问题。
active domain adaptationtarget domainpredictive uncertaintydirichlet-based uncertainty calibrationinformative target samples
发现论文，激发创造
  • 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

  • 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

  • 通过校准不确定性进行无监督领域自适应

    本文提出了一种基于源域推广到目标域的无监督领域适应方法，该方法通过校准源域和目标域的预测不确定性（以 Renyi 熵度量）来实现，使用变分贝叶斯学习可靠的不确定性估计，并讨论了其理论性质并在实验中验证了其有效性。

    Jul, 2019

  • 基于聚类不确定性加权嵌入的主动域适应

    研究针对域偏移的主动域适应问题，提出一种基于聚类的不确定性加权嵌入的标签获取策略，用于最大程度地获取信息，以便在图像分类中提高性能。

    Oct, 2020

  • 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

  • 判别式标签一致性域自适应

    本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

    Feb, 2018

  • 目标检测中考虑不确定性的无监督域自适应

    通过引入条件对抗学习，基于不确定性度量的领域自适应网络 (UaDAN) 能够适应性地分别对齐良好对齐和不良对齐的样本，在图像级别和实例级别逐步实现吸收知识，显著优于现有方法。

    Feb, 2021

  • 基于不确定性引导的无源域自适应

    该研究提出了一种基于概率模型的源自由领域自适应方法，通过量化源模型预测中的不确定性来指导目标适应，以对抗域漂移和缺乏源数据的问题，并且相比于传统的源自由领域自适应方法，该方法计算轻量、与源训练和目标适应相独立。

    Aug, 2022

  • 领域引导条件扩散模型的无监督领域自适应

    通过引入类别信息和领域分类器，DomAin-guided Conditional Diffusion Model (DACDM) 生成的样本有助于现有的无监督领域自适应方法更轻松地从源域传递到目标域，从而提高了转移性能。DACDM 在各种基准测试中的大量实验证明了其对现有无监督领域自适应方法性能的显著提升。

    Sep, 2023

  • 主动多域适应的动态域间差异调整

    多源无监督领域适应（MUDA）旨在将相关源领域的知识转移至无标签的目标领域。本文提出了一种名为动态领域差异调整的主动多领域适应方法（D3AAMDA），通过建立多源动态调制机制和多源主动边界样本选择策略（MABS）来解决 MUDA 方法的问题，并在常用领域适应数据集上对提出的方法进行了广泛评估，实验结果明确证明了该方法的优越性。

    Jul, 2023