Feb, 2024

双头辨别器的持续领域对抗适应

PDF
TL;DR在持续设置中的领域对抗适应存在一定挑战，由于无法访问以前的源域数据。与持续学习的广泛研究不同，仅仅使用少量存储的源域数据无法有效地完成对抗适应任务，这是内存回放方法中的常见设置。本文提出了一种双头鉴别器算法，通过引入一个仅在源学习阶段训练的仅源域鉴别器，证明了预训练的仅源域鉴别器的引入可以减少源域方面的实证估计误差。进一步的实验表明，在现有的领域适应基准上，我们提出的算法在所有目标领域适应任务的各个类别上实现了超过 2% 的改进，同时显着减轻了对源域的遗忘。
domain adversarial adaptationcontinual learningadversarial lossdouble-head discriminatordomain adaptation benchmark
发现论文，激发创造
  • 判别式对抗领域自适应

    提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

    Nov, 2019

  • 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

  • 对抗式判别领域自适应

    本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

    Feb, 2017

  • 渐变正则化对比学习用于连续领域适应

    研究 AI 模型在连续领域适应中所遇到的领域转换和灾难性遗忘等问题，并提出了基于 Gradient Regularized Contrastive Learning 的方法来解决这些问题，实验结果表明该方法在 Digits, DomainNet and Office-Caltech 基准测试中表现优越。

    Jul, 2020

  • 神经网络的领域对抗性训练

    本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

    May, 2015

  • 领域自适应的判别式主动学习

    本文提出了一种用于区域自适应的主动学习方法，通过使用三阶段的主动对抗训练神经网络（包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略，以及使用查询的目标标签重新训练阶段)，该方法可以减少数据标注的工作量，对四个基准数据集进行的实证比较表明了该方法的有效性。

    May, 2020

  • 神经网络对抗训练的多源域适应

    本论文提出了一种新的多源域自适应的一般化界限，并使用对抗神经网络学习特征表示，取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。

    May, 2017

  • 增量式对抗性领域自适应技术在不断变化环境中的应用

    通过敌对性劫持方法和生成式对抗网络，实现增量自适应学习，从而改进模型对环境变化的适应，实验证明该方法比直接单步对齐方法更优，在移动机器人等应用场景中有更好的适用性。

    Dec, 2017

  • 领域混合的对抗性领域自适应

    本研究提出在深度神经网络中结合域随机映射 (Domain Mixup) 的方法用于域自适应领域，研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。

    Dec, 2019

  • 平衡辨识性和迁移性以实现无源域自适应

    在源 - 无源领域自适应（DA）场景下，本文提出了一种混合原始和对应的泛化样本的解决方案，用于提高领域的转移能力和保护隐私，在现有的无源 DA 方法上实现提高识别和转移的平衡，并在分类和语义分割任务上实现了最先进的性能，在单源和多源场景下均给出实验验证。

    Jun, 2022