KDDJul, 2023

基于时间插值的无源领域自适应方法，适用于时序数据

PDF
TL;DR本文提出了一种针对时间序列数据的无源域适应方法（MAPU），通过随机屏蔽时间序列信号并使用一种新型的时间恢复方法从嵌入空间中恢复原始信号，以指导目标模型生成与源特征在时间上一致的目标特征，从而在避免噪声输入空间中的填充的条件下，显式考虑在时序数据上的适应性，实验证明 MAPU 相较于现有方法获得了显著的性能提高。
source-free domain adaptationtime series datatemporal consistencyrandom maskingtemporal imputer
发现论文，激发创造
  • 具证据校准的无源时序领域自适应与时间插值

    本研究提出了 MAPU 和 E-MAPU 两种方法，分别解决了时间序列的源域自适应和预测准确性问题，通过引入新的时间插补任务和 evidential deep learning 方法，有效提高了自适应性能。

    Jun, 2024

  • 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

  • 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

  • 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

  • 无源域自适应语义分割

    通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

    Mar, 2021

  • 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

  • SF (DA)$^2$: 无源领域适应的数据增强视角

    通过数据增强技术，我们提出了一种名为 SF (DA)^2 的新方法，它克服了先前能提出的源无关域适应方法在类保持变换和内存、计算需求等方面的挑战，并在 SFDA 场景中展现了卓越的适应性能。

    Mar, 2024

  • 由视觉和视觉语言预训练引导的无源域自适应

    灵活的源免领域自适应（SFDA）框架，通过融合预训练网络，提升了适应性能，并能成功整合现有的 SFDA 方法。

    May, 2024

  • 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

  • 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