Feb, 2024

基于 f - 分歧准则的领域自适应：一个改进的框架

PDF
TL;DR我们改进了 Acuna 等人提出的无监督领域自适应（UDA）的理论基础，通过改进他们基于 f - 差异度的不一致性，并引入一个新的度量，即 f - 域差异度（f-DD）。通过去除绝对值函数并结合一个缩放参数，f-DD 产生了新的目标误差和样本复杂度界限，使我们能够恢复先前基于 KL 的结果，并弥合了 Acuna 等人（2021）提出的算法与理论之间的差距。利用一种定位技术，我们还开发了一个快速学习界限。实证结果表明，在流行的 UDA 基准测试中，基于 f-DD 的领域学习算法比以前的工作表现更优秀。
发现论文，激发创造
  • f 域对抗学习：理论与算法

    本文提出了一种新的通用领域敌对框架，利用变分 f - 分歧的特征进行领域自适应。基于此框架，推导出了具有重要修正的新算法框架，并证明了其在自然语言和计算机视觉数据集上优于现有的基线结果。

    Jun, 2021

  • 不确定特征对齐下的无监督领域自适应

    本文提出了一种基于 Monte-Carlo dropout 的不确定性滤波和特征对齐方法（UFAL），该方法包括 Uncertain Feature Loss（UFL）函数和 Uncertainty-Based Filtering（UBF）方法，能够有效解决无监督域自适应问题，达到了多个数据集上最先进的结果。

    Sep, 2020

  • 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

  • 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

  • 深度无监督域自适应：近期进展和展望综述

    深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

    Aug, 2022

  • 从虚假新闻到极端党派新闻的检测：使用领域自适应技术

    比较无监督领域自适应技术在两个文本分类任务（假新闻检测和偏激新闻检测）中的效果，并探讨了数据增强、聚类和主题建模与无监督领域自适应技术相结合对性能的提升。

    Aug, 2023

  • 基于跨模态域适应的医学图像分割中频率和空间域内的领域差异降低

    本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法，其中使用非下采样轮廓波束变换来识别域不变分量和域变分量，并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明，我们的方法优于现有最先进的方法。

    Nov, 2022

  • 无源无监督域自适应：一份调查报告

    本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制，提供了一篇系统综述文章，介绍了最近提出的无源自适应方法，着重对白盒和黑盒方法进行分类，并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。

    Dec, 2022

  • 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

  • FixBi: 跨领域空间的无监督领域自适应

    介绍了一种针对领域差异性大的无监督域自适应方法，包括使用固定比例的混合增强多个中间域，训练源主导模型和目标主导模型，使用置信度学习方法逐渐实现领域知识的转移。

    Nov, 2020