Sep, 2023

基于关系传递的多模态领域自适应用于 REG

PDF
TL;DR本文提出了一种新颖的方法，通过一种特殊的关系定制方法来有效地转移多模态知识，以解决跨领域适配问题，实验结果表明，我们的方法显著提高了多模态领域的可转移性，并增强了 Referring Expression Grounding 问题的适配性能。
domain adaptationmulti-modal tasksreferring expression groundingknowledge transfermulti-modal domain adaptation
发现论文，激发创造
  • 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

  • 基于表示学习和领域自适应的跨领域少样本关系抽取

    该论文介绍了一种结合少样本学习和领域适应思想的方法，使用表示损失和对抗损失来提取源域和目标域中的句子关系，从而解决跨域少样本关系抽取问题，并在 FewRel 数据集上证明了其优越性。

    Dec, 2022

  • 序列标注的多任务领域自适应

    本文提出了一种支持多任务领域自适应的神经网络框架，并应用于中文分词和命名实体识别两个任务的领域自适应。实验结果表明，该框架比独立的领域自适应方法在两个任务上都获得更好的结果，并在社交媒体领域达到了最先进的水平。

    Aug, 2016

  • 低资源领域适应的多阶段预训练

    本文研究使用预训练语言模型的转移学习、领域特定术语扩展词汇表以及利用未标记数据结构创造辅助合成任务等方法，在 IT 领域的三个任务中，采用逐步应用的策略在预先训练的 Roberta-large LM 上显示出显着的性能提升。

    Oct, 2020

  • 基于预训练语言模型的正则增强领域迁移主题分类：金融领域应用

    本文探讨在 fine tuning 过程中采用正则表达式模式作为领域知识的特征以及注意力网络的应用，用于改善对下游文本分类任务的 fine tuning 效果。实验结果表明，相较于仅在特定领域文本上进行 fine tuning，采用这种方法可以提高下游文本分类任务的准确性。

    May, 2023

  • 电子商务中基于检索的问答系统的迁移学习中建模领域关系

    本文研究了针对 PI 和 NLI 问题的迁移学习，并提出了一种通用框架，旨在有效地将从资源丰富的源域中学习到的共享知识适应于资源匮乏的目标域。研究发现，我们的基准模型高效，并且迁移学习方法可以显著提高其性能。

    Nov, 2017

  • 利用文本为视觉表示建立通用领域基础

    本文提出了一种基于自然语言监督的跨模态领域泛化方法，利用视觉和文本交互的表征来实现高级别类别判别的信息融合，并使用可解释的模型来生成解释，从而提高模型的泛化能力和性能。作者的方法在多个数据集上均取得了最新领先的结果。

    Jul, 2022

  • 循环神经网络的领域自适应应用于自然语言理解

    使用多任务学习方法，缩短新任务学习所需的数据量，以提高自然语言理解中的 slot 填充模型适配多目标任务或领域的效率。该多任务模型可以利用在其他任务中学习到的模式，以较少的数据获得更好的性能，并支持开放词汇，可以很好地应用于微小数据量的训练。实验结果显示了该方法在四个不同领域中的适配效果和开放词汇技术的有效应用。

    Apr, 2016

  • 无监督多领域多模态图像到图像转换与显式领域约束解耦

    本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

    Nov, 2019

  • 基于检索引导的无监督多领域图像到图像翻译

    本文提出使用图像检索系统辅助图像翻译，从而生成更高质量的图片，实验结果表明该方案是有效的。

    Aug, 2020