Jul, 2023

FREEDOM: 无目标标签，无源数据，无领域信息的多源领域自适应无监督个性化

HTML
PDF
TL;DR从服务角度出发，提出了一个新颖的问题场景，称为 Three-Free Domain Adaptation（TFDA），解决了多源领域适应中训练依赖先前领域信息、同时需要源和目标数据集的问题；通过 FREEDOM 框架，结合生成模型和分类模型，实现了在没有领域信息的情况下，将源类别分布与目标类别匹配，从而取得了与最先进方法相媲美甚至优于其的性能，并降低了目标端的模型大小。
发现论文，激发创造
  • 通用源自由域自适应

    该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

    Apr, 2020

  • 无源域自适应

    我们介绍了一种源数据自由的领域自适应方法，使用预训练模型自学习来更新目标模型，通过基于自熵的准则选择可靠样本以定义类的原型，并用伪标签为每个目标样本分配标签以训练目标模型，最终得到比传统领域适应方法更好的结果。

    Jul, 2020

  • 基于图像翻译的无源域适配

    本文研究了源自由的领域自适应问题，提出了使用图像转换方法将目标图像的风格转换为未见过的源图像的方法，从而使得使用预训练模型对转换后的图像进行分类可以得到更高的准确率。

    Aug, 2020

  • 基于伪源域的生成、增强和对齐方法：面向无源领域适应

    本文提出了一种基于伪源域的方法，通过生成和扩充伪源域，引入四种新的基于伪标签的策略 loss 进行分布对齐，并在伪源域和剩余目标域之间引入一个域对抗损失，以减少分布漂移，从而有效地解决了无监督域自适应的问题。

    Sep, 2021

  • 伪标记中选择性的无监督多源自由领域自适应的优势

    该研究提出了一种利用信息论界限和特征对齐技术，将目标数据划分为伪标记子集和无标记子集以实现平衡的无监督域自适应方法，取得了比现有方法更好的性能表现。

    Feb, 2022

  • 基于分布估计的无源领域自适应

    本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE，采用球形 k 均值聚类生成目标数据的假伪标签，并利用目标数据和锚点学习源域的类条件特征分布，通过最小化交叉适应损失函数来对齐两个数据域，在多个 DA 基准测试中实现了最先进的性能表现，并且优于需要大量源数据的传统 DA 方法。

    Apr, 2022

  • 基于CoNMix的无源单目标和多目标域自适应

    该研究提出了Source-free Multi-target Domain Adaptation的新任务，并采用由Consistency with Nuclear-Norm Maximization和MixUp knowledge distillation（CoNMix）组成的适应性框架作为解决此问题的方法。该框架利用目标伪标签改善目标适应性，并使用伪标签细化方法减少噪声伪标签。此外，我们还提出了MixUp Knowledge Distillation（MKD）用于改进多个目标域的泛化能力，并展示了Vision Transformer（VT）骨干具有更好的特征表示和分类可辨别性。最终，该框架在多种源自由STDA和MTDA设置的流行域适应数据集上实现了最先进的成果。

    Nov, 2022

  • 透过文本到图像扩散实现跨领域：一种无源领域自适应方法

    提出了一种用于Source-Free Domain Adaptation的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用Domain Adaptation技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

    Oct, 2023

  • 关于无需模型特定信息和多个源域的自适应领域迁移的研究

    多源无监督领域适应的模型选择问题和跨域转移能力估计的新方法，通过选择准则和新框架有效地学习鉴别性目标模型。

    Mar, 2024

  • FMDA-OT：通过最优传输进行联邦多源域适应

    通过多源领域自适应的合作性框架，使用最优传输分别进行源领域自适应和目标领域自适应，并利用中央化联合学习架构协同多个源的模型，解决领域自适应中的数据隐私问题。

    Apr, 2024