ACLAug, 2023

DaMSTF：领域对抗学习增强的元自训练用于领域适应

PDF
TL;DR自学习是领域自适应的重要研究线，该论文提出了一种新的自适应框架 DaMSTF，并通过使用元学习、领域对抗学习等方法来减少标签噪声、保留难例，并在跨领域情感分类任务中优化了 BERT 模型性能。
发现论文，激发创造
  • 面部反欺诈的自领域适应

    本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题，使用基于元学习的领域自适应算法，利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。

    Feb, 2021

  • 在线元学习的多源和半监督领域适应

    该论文提出一种基于元学习的框架来进一步增强现有领域适应算法的性能，通过在线的最短路径元学习框架改进了无监督和半监督多源领域适应技术 (DANN，MCD 和 MME)，实验表明达到了多项 DA 基准的最佳效果。

    Apr, 2020

  • Meta-Tsallis - 熵最小化：一种新的自训练方法用于文本分类领域自适应

    文本分类是自然语言处理的基础任务之一，本文提出了一种基于元学习算法的元 - Tsallis 熵最小化方法（MTEM），用于在目标领域上优化实例适应性 Tsallis 熵，以实现领域适应。实验结果表明，MTEM 在基准数据集上提升了 BERT 的适应性性能，平均提升 4%。

    Aug, 2023

  • 自集成领域转移中的域混淆问题

    本文提出了一种将域混淆和自学习方法相结合的模型，称为域混淆自集成（DCSE），用于解决机器学习中数据收集和标注的时间成本高的问题，并验证了该方法在多种无监督域适应基准上表现比经验艺术更好。

    Oct, 2018

  • 通过对抗元适应网络进行混合目标领域适应

    本文提供了一种新颖的混合目标域自适应情景下的解决方案，称之为 AMEAN，其中使用了两种对抗学习方法，以克服 BTDA 中的负转移效应和隐式类别缺陷，并取得了良好的性能。

    Jul, 2019

  • 通过元学习实现领域自适应对话生成

    提出了基于元学习的领域自适应对话生成方法（DAML），该方法基于单域对话数据和元学习算法进行训练，并能够在新领域中学习出一种具有竞争力的对话系统。在模拟对话数据集上评估该方法的表现，实现了最先进的性能，该性能可推广到新任务。

    Jun, 2019

  • 对抗学习损失用于领域自适应

    该论文提出了一种名为 ALDA 的新颖领域自适应方法，利用伪标签方法和混淆矩阵相结合，实现特征分布的对齐和目标特征的强分类，并将学习到的混淆矩阵构建为新的损失函数。在四个标准领域适应数据集上较其他已知方法表现更优。

    Jan, 2020

  • 多源域自适应的元自学习：基准

    本文的研究着重于文本识别问题，通过提出元自学习方法 (Meta Self-Learning) 和收集包含 5 个不同领域的超过 5 百万张图像的多源领域适应数据集，提供了一个基准测试，实验结果证明了我们的方法的有效性。

    Aug, 2021

  • 元校正：基于领域感知的无监督语义分割领域自适应元损失校正

    本研究提出了一种基于元学习的元矫正框架，在无标记目标域上进行语义分割模型的无监督域自适应。通过噪声转移矩阵来模拟目标域伪标签噪声分布，建立元数据集来估计噪声转移矩阵，进而进行噪声矫正以增强模型对目标数据的泛化能力。实验结果表明该方法在三个基准测试上优于现有技术水平。

    Mar, 2021

  • 基于元学习的交叉领域验证的判别式对抗领域泛化

    本文提出基于元学习的 Discriminative Adversarial Domain Generalization（DADG）框架来改善机器学习模型的泛化能力，包括学习一般化的特征表示和分类器，在三个基准数据集的对比中，DADG 始终优于基线 DeepAll，并在大多数评估情况下优于其他现有的领域泛化算法。

    Nov, 2020