Nov, 2023

多源主动域转移中的领域偏移和样本不确定性重新审视

PDF
TL;DR提出了一种动态集成不确定性估值框架（Detective），通过学习适应多源域的模型参数来兼容多源域的联合，综合考虑多源域与目标域之间的领域偏移，使用证据深度学习来探测信息量大的目标样本，并引入上下文多样性感知计算器来增强选定样本的多样性。实验证明，该解决方案在三个领域适应基准上的表现显著优于现有方法。
active domain adaptationmulti-source active domain adaptationknowledge transferdynamic integrated uncertainty valuation frameworkevidential deep learning
发现论文，激发创造
  • 基于 Dirichlet 的活动领域适应不确定性校准

    该研究提出了一种基于狄利克雷分布的不确定性校准方法来提高领域适应模型，同时解决了不确定性预测和关键样本挑选的问题。

    Feb, 2023

  • 主动域自适应中对标签分布偏移的对抗

    提出了一种主动域自适应的方法，通过新的采样策略，在满足代表性、多样性和不确定性的同时，选择最能近似整个目标分布的样本，并使用这些样本进行监督学习以及匹配源域和目标域的标签分布，取得了显著的性能提升。在四个公共基准测试上，本方法在每种自适应情景下均显著优于现有方法。

    Aug, 2022

  • 主动多域适应的动态域间差异调整

    多源无监督领域适应（MUDA）旨在将相关源领域的知识转移至无标签的目标领域。本文提出了一种名为动态领域差异调整的主动多领域适应方法（D3AAMDA），通过建立多源动态调制机制和多源主动边界样本选择策略（MABS）来解决 MUDA 方法的问题，并在常用领域适应数据集上对提出的方法进行了广泛评估，实验结果明确证明了该方法的优越性。

    Jul, 2023

  • 主动对抗域自适应

    提出了一种积极学习的方法，通过敌对领域自适应（AADA）进行表示转移，其探索了两个相关问题之间的双重性：敌对领域对齐和重要性采样来适应跨域模型， 以及将两种方法结合在一个框架中进行领域自适应和转移学习，当源域有许多标记示例而目标域没有时，它提供了重要的改进。

    Apr, 2019

  • 深度学习时代的多源域适应：系统综述

    本文介绍了多源域适应的概念和相关技术方法，探讨了其在深度学习时代的发展趋势和研究方向，为该领域的研究提供借鉴和参考。

    Feb, 2020

  • 更多就是更好：多源深度域适应

    在深度学习时代，由于很难获得大规模标记数据来训练先进的深度神经网络，因此将已学习的知识从有标签的源领域转移到无标签或稀疏标签的目标领域成为一种吸引人的替代方法，而多源领域适应则是在收集有不同分布的多个源的标记数据中的一个强大而实用的扩展。在本次调查中，我们首先定义了各种多源领域适应策略。接着，我们从不同的角度系统地总结和比较了现代多源领域适应方法，以及常用的数据集和一个简单的基准测试结果。最后，我们讨论了值得探索的多源领域适应的未来研究方向。

    May, 2024

  • 分割与适应：通过定制学习实现主动领域适应

    Divide-and-Adapt (DiaNA) is an active domain adaptation framework that utilizes active learning techniques and a customized learning strategy to accurately recognize gainful samples and handle data with large variations of domain gap.

    Jul, 2023

  • 多重对抗领域适应

    本文提出一种多重对抗领域自适应方法 (MADA)，能够捕获多模态结构，利用多个领域判别器实现不同数据分布的精细对齐，利用随机梯度下降计算梯度，证据表明该模型在标准领域自适应数据集上优于现有最先进方法。

    Sep, 2018

  • D3GU：通过增强领域对齐实现多目标主动领域自适应

    提出了一种名为 D3GU 的多目标主动域自适应框架，通过应用分解的域判别 (D3) 和梯度效用 (GU) 分数，实现源 - 目标和目标 - 目标域的对齐，同时还结合了 K 均值聚类进行样本选择，通过广泛实验证明 D3GU 在多目标主动域自适应方面具有一致优越的性能。

    Jan, 2024

  • 领域增强的域自适应

    本文提出了一种基于伪领域生成的领域增强领域自适应方法（DADA），通过生成与目标域差异更小的伪领域，减小跨域偏差，进而增强知识转移过程并将标签方法应用于 DADA 模型中，结果表明该模型优秀。

    Feb, 2022