Mar, 2023

DARE-GRAM：通过对齐逆矩阵进行无监督域自适应回归

PDF
TL;DR本研究提出了一种新的无监督领域自适应回归方法，通过分析线性回归器的闭式最小二乘解，我们提出了一种基于特征的逆 Gram 矩阵对齐的方法，将源域数据和目标域数据转换到相同的矩阵空间，从而大幅度提高回归性能。
unsupervised domain adaptation regressiondeep feature encoderinverse gram matrixpseudo-inverse low-rank propertystate-of-the-art performance
发现论文，激发创造
  • 领域调整回归：ERM 可能已经学会了足以满足领域外推广的特征

    本研究通过实验挑战了深度网络泛化不良的原因在于恢复 “正确” 特征失败的观点，并提出了一种新的领域调整回归（DARE）方法，该方法根据分布转移的新模型，通过域特定调整来统一一个规范潜在空间，并在该空间中学习预测。在有限环境下，该方法的收敛保证了最小最优预测器，相比之前的方法，该方法表现更好。

    Feb, 2022

  • 无监督领域自适应中的不确定性导向对齐

    无监督领域自适应回归 (UDAR) 旨在将模型从有标签的源领域适应到无标签的目标领域用于回归任务。本文通过结合来自不确定性的指导提出了一种有效的 UDAR 方法，该方法在预测的同时提供置信度度量并作为嵌入空间的正则化。我们在四个 UDAR 基准上展示了我们方法的有效性，优于现有方法。

    Jan, 2024

  • 正则化超图匹配的无监督领域自适应

    我们提出了一种无监督领域适应方法，该方法通过使用类正则化的超图匹配，考虑目标域中仅有的未标记数据，在标准对象识别数据集上的实验验证了我们的框架有效性。

    May, 2018

  • 仅 DIAL: 用于无监督领域适应的域对齐层

    本研究通过引入 DomaIn Alignment Layers 方法解决领域适应中的特征分布偏移问题，从而提高视觉识别系统在不同领域数据集上的成功率，并在三个公开基准测试中取得了成功的实验结果。

    Feb, 2017

  • 无监督域自适应的共同正则化对齐

    本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

    Nov, 2018

  • 回归域自适应无监督关键点检测

    本文介绍了一种基于回归领域自适应（RegDA）的方法，该方法首先利用对抗回归器来最大化目标域上的差异，并训练一个特征生成器来最小化这种差异，之后通过引入空间概率分布来指导对抗回归器的学习，从而解决了高维度空间中回归器无法探测偏差样本的问题，并在不同数据集上实验得到了 8％至 11％的精度提升。

    Mar, 2021

  • 当无监督领域适应遇见张量表示

    提出了一种基于学习的方法，用于直接适应源和目标张量表示，其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间，并展示了其在域自适应的卷积激活方面具有最佳性能。

    Jul, 2017

  • 子空间对齐的域自适应

    本研究介绍了一种新的领域自适应算法，其中源域和目标域由特征向量所构成的子空间表示。通过学习将源子空间与目标子空间对齐的映射函数，我们的方法寻求一个不变的特征空间。我们提出了两种方法来确定超参数的大小，一种方法使用所得结果稳定性的理论边界来调整子空间的大小，另一种方法使用最大似然估计来确定子空间的大小。除了 PCA，我们还提出一种子空间创建方法，它在领域自适应中优于 PLS 和 LDA，并在各种数据集上对我们的方法进行了测试，结果表明它的性能优于现有的领域自适应方法。

    Sep, 2014

  • 理解 Hessian 对齐用于领域普适性

    通过分析深度学习模型在领域普适性中属分类器头部 Hessian 矩阵和梯度的角色，我们提出了两种简单而有效的方法来匹配分类器头部 Hessians 和梯度，并验证了所提方法在不同场景下的普适性能力。

    Aug, 2023

  • 利用黎曼度量进行领域适应的相关性对齐

    本文研究如何进行领域自适应，特别是无监督领域自适应。通过使用神经网络并对其隐藏层的特征进行约束，得到了一个利用该流形上的理论上合理测地线距离的损失函数，从而比以前的方法表现更好。

    May, 2017