AAAIDec, 2023

MLNet: 具有邻域不变性的互学习网络用于通用域适应

PDF
TL;DR我们提出了一个新颖的具有邻域不变性的相互学习网络方法（MLNet），通过自适应邻居选择和置信度引导的不变性特征学习来减少目标域内的内部变化，通过交叉领域混杂方案进行更好的未知类别识别，互学习闭合集和开放集分类器以弥补已知类别错误的识别。在三个公开基准测试中，广泛的实验证明我们的方法在大多数情况下均取得最佳结果，并且在 UniDA 的四个设置中显著优于基线。
发现论文，激发创造
  • 多源领域自适应互相学习网络

    本文介绍一种新的多源域自适应方法 —— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架，该方法将目标域与每个单一源域配对，使用条件对抗性域自适应网络作为分支网络进行训练，并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐，通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习，该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明，ML-MSDA 方法优于比较方法，并实现了最新的性能表现。

    Mar, 2020

  • 通过发散最优化实现视觉识别的噪声通用领域自适应

    本文提出了一个名为 “不清晰统一域适应” 的新颖场景，以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域 / 目标域分布不同等挑战的方法，并在多个场景下验证了该方法的有效性和优越性

    Apr, 2023

  • 自然语言处理中对分布偏移的稳健处理的普适领域自适应

    部署机器学习系统到未知领域时，需要它们能够有效利用先前的知识，同时对异常输入发出警报。本文提出了一个全面的自然语言基准，以验证模型的普适性和鲁棒性，并观察到原本设计用于图像输入的 UniDA 方法可以有效地迁移到自然语言领域，并强调了适应难度对模型性能的影响。

    Oct, 2023

  • 噪声普适领域自适应的发散优化

    本文提出了一种名为 Noisy UniDA 的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置中都比现有方法表现优异。

    Apr, 2021

  • OVANet: 一对多网络用于通用领域自适应

    本文介绍一种使用最小类间距离阈值的通用领域适应（UNDA）方法，该方法使用源样本学习该阈值并将其适应于目标领域，同时训练一种基于一对所有分类器的学习方法。

    Apr, 2021

  • 简化版神经网络无监督域自适应

    本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

    May, 2019

  • 基于领域和类别转移的升级模型

    本文提出了一种基于全局和本地聚类的学习技术（GLC），以实现知道领域和类别转换下已知数据样本的识别，并仅使用标准预训练源模型的知识从而拒绝那些 “未知” 的数据样本。我们检验了我们的方法在包括部分集、开放集和开放部分集 DA 等不同类别转化情境下的多个基准测试中相对于 UMAD 的优越性，值得注意的是，我们的方法在最具挑战性的开放部分集 DA 情境下比 UMAD 高出 14.8％。

    Mar, 2023

  • 无监督多类域自适应：理论、算法和实践

    本文介绍了一种基于 MCSD 的多类域间自适应的学习方法 (Multi-class Domain-adversarial learning Networks （McDalNets）), 通过使用数据相关的 PAC 常数，研究了其有效性，并引入了结合了领域混淆和歧视的新型敌对策略的域对称网络（SymmNets）来提高多类域间自适应性能。

    Feb, 2020

  • 通过减少共同类别偏置来进行普适半监督领域自适应

    通过引入新的先验引导的伪标签优化策略，提出了一种改善 UniSSDA 适应性设置中常见类别偏差的方法，有助于在 Office-Home、DomainNet 和 VisDA 等基准数据集上取得最佳性能，并为 UniSSDA 建立了新的基准线。

    Mar, 2024

  • 无监督领域适应中的领域自适应扩散

    提出一种新颖的领域自适应扩散（DAD）模块和互学习策略（MLS），通过将源域数据逐渐转化为目标域数据并使分类模型在领域转换过程中学习，成功将领域适应的挑战分解为多个小领域间隙并逐步增强分类模型的能力，从而在三个广泛使用的无监督领域自适应数据集上大幅优于现有最先进方法。

    Aug, 2023