May, 2023

跨图动态迁移学习

PDF
TL;DR该研究提出了一个动态传输学习框架 DyTrans，使用基于 transformer 的时间编码模块建模动态域的时间信息，设计了动态域统一模块跨源和目标域高效地学习域不变特征，并在多个实际数据集上展示了 DyTrans 在从动态源域到动态目标域的知识转移中的有效性。
dynamic transfer learningknowledge transferabilitydomain evolutiontransformer-based temporal encodingdynamic domain unification
发现论文，激发创造
  • 多源域适应的动态传递

    本文提出动态转移 (Dynamic Transfer) 方法应对多源领域间的冲突，它能够通过对样本进行模型参数的适应性调整，突破领域界限，简化源域和目标域之间的对齐。实验结果表明，我们提出的动态转移方法在多源领域适应数据集 (DomainNet) 上可以将性能提升超过 3%。

    Mar, 2021

  • 基于标签知识的分布对齐连续迁移学习

    本文提出了一种名为 TransLATE 的通用对抗自编码器框架，通过最小化连续时间戳之间的潜在特征空间中目标域的分类误差和 C - 散度来建模具有时间演变目标域的连续转移学习设置。

    Jun, 2020

  • 基于漂移感知动态神经网络的时域泛化

    提出了一种名为 DRAIN 的方法来解决时域领域通用问题，通过 Bayesian 方法建立动态图结构神经网络，在考虑模型参数和数据分布在不同时间点的动态漂移的同时，提供了理论保证，具有较高的有效性和效率。

    May, 2022

  • 任务和领域跨界学习

    本文提出了一种新的适应性框架，用于跨任务和领域传递知识，通过在一个完全监督域中学习跨任务和领域的知识，使其在只有部分监督域中实现性能增益。实验证明了该框架在两个具有挑战性的任务（即单眼深度估计和语义分割）和四个不同领域（Synthia、Carla、Kitti 和 Cityscapes）中的有效性。

    Apr, 2019

  • 一种统一的元学习框架用于动态迁移学习

    本文研究了一种更为现实和具有挑战性的转移学习设置，其中源任务和目标任务在时间上不断变化，我们提出了一个基于元学习的通用框架 L2E，它能够有效地在动态任务之间传递知识、快速适应新目标任务、减轻历史目标任务的灾难性遗忘，并且可灵活地结合任何现有的静态转移学习算法，验证实验表明该框架的有效性。

    Jul, 2022

  • 图上的非独立同分布转移学习

    本文提出了一种称为 GRADE 的通用图自适应网络，该网络可用于解决跨网络转移学习问题，通过衡量源和目标图之间的图分布偏移来导出跨网络学习的泛化误差界限，并在跨网络节点分类和跨域推荐任务中进行了验证。

    Dec, 2022

  • 跨领域和跨维度的图像到图形转换学习

    直接从图像到图表的转换是一项具有挑战性的任务，这一任务要在单个模型中解决对象检测和关系预测。本文提出了一套方法，使得图像到图表转换器能够进行跨领域和跨维度的迁移学习，并通过将模型在 2D 卫星图像上进行预训练，应用于大不相同的 2D 和 3D 目标领域，对具有挑战性的基准进行了验证，如视网膜或整个脑血管图提取，在多个基准测试中方法始终优于一系列基线模型。

    Mar, 2024

  • 领域自适应理论概述：学习界限与理论保证调查

    该论文综述了迁移学习中的一个具有代表性的子领域 —— 领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。

    Apr, 2020

  • 使用任务推断进行元学习动态预测

    通过 DyAd 元学习方法，使用编码器和预测器相结合的方式，可以帮助深度学习模型实现跨领域的泛化。

    Feb, 2021

  • 高效推断的动态领域自适应

    本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

    Mar, 2021