基于相似源域的多源对抗迁移学习与局部特征

May, 2023

基于相似源域的多源对抗迁移学习与局部特征

Multi-source adversarial transfer learning based on similar source domains with local features

Yifu Zhang, Hongru Li, Shimeng Shi, Youqi Li, Jiansong Zhang

TL;DR本文提出了一种基于本地特征相似度的多源敌对转移学习方法，通过子网络提取单个来源域和目标域之间的可转移本地特征，用注意力模块对其进行加权，以抑制不可转移的本地特征并增强可转移的本地特征；并证明了该方法在只有本地相似性的转移场景中的可行性，实验中在提出的数据集 “局部 Carvana 图像遮蔽数据集” 的图像分割任务中，实现了比其他多源转移学习方法更好的转移性能。

Abstract

transfer learning leverages knowledge from other domains and has been successful in many applications. transfer learning methods rely on the overall similarity of the source and target domains. However, in some c

transfer learning multi-source adversarial transfer learning local feature similarity attention module image segmentation

发现论文，激发创造

迈向更可靠的迁移学习

本文提出了一种新的多源传递学习方法，它结合了源目标相似性和不同可靠性源之间的关系，并提出了一个综合的主动传递学习框架，包括分布匹配和不确定性采样，在合成和真实数据集上进行了广泛的实验，表明其在多项基准测试中优于其他现有模型。

Jul, 2018

基于多源对抗迁移学习的超声图像分割（受限相似度）

本论文提出了一种针对超声图像分割的多源敌对迁移学习网络，采用敌对迁移学习的思想来自适应地提取源域和目标域之间的共同特征，以利用未标注的超声数据，同时还采用多源迁移学习来融合多个源域的知识，以提高模型的学习能力和数据利用率。

May, 2023

利用近似共享特征连接领域

多源领域适应中的特征选择以及基于方差相关性的统计框架，通过学习过程提取近似共享特征，达到解决多源适应中优化策略的目的。

Mar, 2024

选择性对抗网络的部分迁移学习

该研究论文介绍了一种名为 Selective Adversarial Network (SAN) 的选择性对抗网络，用于解决部分转移学习（partial transfer learning）问题，从而实现大数据时代的分类和特征转移学习优化。实验结果显示，我们的模型优于多个基准数据集上的现有最先进结果。

Jul, 2017

神经网络对抗训练的多源域适应

本论文提出了一种新的多源域自适应的一般化界限，并使用对抗神经网络学习特征表示，取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。

May, 2017

基于 Transformer 的多源域自适应

研究了大型预训练转换模型在无监督多源域自适应中的效果，发现领域对抗性训练对其有影响，但对表现影响不大，同时混合专家方法则显著提高了表现并比较了几种混合函数，包括一种基于注意力的新混合方法。

Sep, 2020

神经网络的领域对抗性训练

本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

May, 2015

局部保留联合转移域自适应

本研究提出了一种新方法，可以利用特征适应、分布匹配和样本适应，同时考虑样本之间的本地一致性，以保持样本的流形结构。通过学习领域特定的投影，我们的方法适用于同质和异质域适应，并且在包括标准和大规模数据集的五个基准测试上得到了显着的优化。此外，我们还证明了可以通过异质适应来促进深度特征上的准确性。

Jun, 2019

领域自适应的判别式主动学习

本文提出了一种用于区域自适应的主动学习方法，通过使用三阶段的主动对抗训练神经网络（包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略，以及使用查询的目标标签重新训练阶段)，该方法可以减少数据标注的工作量，对四个基准数据集进行的实证比较表明了该方法的有效性。

May, 2020

可转移的领域自适应语义增强

本文介绍了一种新的领域自适应方法，即 Transferable Semantic Augmentation (TSA)，该方法通过隐式地生成目标语义，提高分类器适应能力，来改进现有领域适应算法中的特征表示问题。具体方法是使用多元正态分布来进行源特征的数据增强，该方法可轻松接入各种领域适应方法，取得了显著的改进效果。

Mar, 2021