用 Stiefel 矩阵估计弱监督的协方差矩阵对齐在脑磁应用中的应用

Jan, 2024

用 Stiefel 矩阵估计弱监督的协方差矩阵对齐在脑磁应用中的应用

Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications

Antoine Collas, Rémi Flamary, Alexandre Gramfort

TL;DR该研究论文介绍了一种针对目标数据集中有限标记信号的新颖时序数据域自适应技术，称为混合模型 Stiefel 自适应 (MSA)，通过利用目标域中丰富的无标记数据，建立起信号方差之间的等价对应关系，以确保有效的预测。该方法在神经科学问题中的应用中，使用来自 Cam-CAN 数据集的脑磁成像 (MEG) 信号，在任务变化的脑龄回归中胜过最近的方法。

Abstract

This paper introduces a novel domain adaptation technique for time series data, called mixing model stiefel adaptation (MSA), specifically addressing the challenge of →

domain adaptation time series data mixing model stiefel adaptation limited labeled signals unlabeled data

发现论文，激发创造

利用黎曼度量进行领域适应的相关性对齐

本文研究如何进行领域自适应，特别是无监督领域自适应。通过使用神经网络并对其隐藏层的特征进行约束，得到了一个利用该流形上的理论上合理测地线距离的损失函数，从而比以前的方法表现更好。

May, 2017

视觉域自适应的几何和统计联合对齐

本文提出一种新的无监督领域自适应方法，称为联合几何和统计对齐（JGSA），可以通过统计和几何学方法同时减少源域和目标域之间的偏差。通过两个耦合投影，将源域和目标域数据投影到一维子空间中，同时减少几何偏移和分布偏移，并且目标函数可以高效地封闭求解。大量实验证明，所提出的方法在合成数据集和三个不同的实际交叉领域视觉识别任务上显著优于若干现有领域适应方法。

May, 2017

多源领域自适应的子空间识别

提出了一种基于子空间识别理论的多源域自适应方法，它能在较少的约束条件下实现域不变和特定变量的脱钩，通过最小化域漂移对不变变量的影响来促进域适应。该方法在各种基准数据集上优于现有的多源域适应技术，凸显其在实际应用中的有效性。

Oct, 2023

面向几何感知的领域自适应方法用于词嵌入无监督对齐

提出了一种基于流形的几何学方法，用于学习源语言和目标语言之间的无监督对齐单词嵌入。该方法将对齐学习问题进行了公式化，并将其视为具有两倍随机矩阵的流形上的域自适应问题。实验表明，该方法在多种语言对的双语词汇识别任务上优于现有的最优传输方法，尤其对于远程语言对的性能改进更为显著。

Apr, 2020

SPD 矩阵圆锥流形上的平行输运用于领域自适应

本文提出一种基于协方差矩阵和对称正定矩阵的锥形流形平行传输的领域自适用方法，并使用黎曼几何进行了严格分析，同时在模拟和真实数据上进行了实验，证明了该方法的理论保证和实际效果。

Jul, 2018

领域自适应时间序列分类以减轻协变量漂移

本文提出一种新的基于监督学习的域适应技术，利用最优传输方法和嵌入相似性技术，从少量样本中搜索最优类别相关转换，并在推理中选择相应的转换，能够减小领域差异，并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。

Apr, 2022

匹配与变形：通过最佳传输和时间对齐实现时间序列领域自适应

在这篇论文中，我们介绍了 Match-And-Deform（MAD）方法，它旨在寻找源时间序列和目标时间序列之间的对应关系，同时允许时间扭曲。通过最优输运损失和动态时间扭曲，相关的优化问题可以同时对齐时间序列和时间戳。将 MAD 嵌入到深度神经网络中，有助于学习时间序列的新表示方法，既能对齐不同领域的时间序列，又能最大限度地提高网络的判别能力。基准数据集和遥感数据的实证研究表明，MAD 能够进行有意义的样本配对和时间偏移估计，并达到与最先进的深度时间序列领域自适应策略相似或更好的分类性能。

Aug, 2023

当无监督领域适应遇见张量表示

提出了一种基于学习的方法，用于直接适应源和目标张量表示，其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间，并展示了其在域自适应的卷积激活方面具有最佳性能。

Jul, 2017

分类器秘密地满足多源域自适应

该论文提出了一种新的包括深度模型及自监督隐式对准在内的 MSDA 方法，并通过利用伪标记目标样本并在伪标记上强制执行分类器一致性来实现自适应，该方法被称为 Self-supervised Implicit Alignment (SImpAl)。通过在五个基准测试上的全面评估，展现了该方法的有效性。

Mar, 2021

子空间对齐的域自适应

本研究介绍了一种新的领域自适应算法，其中源域和目标域由特征向量所构成的子空间表示。通过学习将源子空间与目标子空间对齐的映射函数，我们的方法寻求一个不变的特征空间。我们提出了两种方法来确定超参数的大小，一种方法使用所得结果稳定性的理论边界来调整子空间的大小，另一种方法使用最大似然估计来确定子空间的大小。除了 PCA，我们还提出一种子空间创建方法，它在领域自适应中优于 PLS 和 LDA，并在各种数据集上对我们的方法进行了测试，结果表明它的性能优于现有的领域自适应方法。

Sep, 2014