Feb, 2024

增强多路径传递课程的连续领域适应

PDF
TL;DR该论文介绍了一种新颖的连续域适应方法 W-MPOT，通过构建基于 Wasserstein 距离的源域和中间域的转移课程表，使用连续最优传送的修改版本在转移课程表中的多个有效路径上将源模型转移到目标域，引入双向路径一致性约束以减轻连续转移过程中累积映射误差的影响，在多个数据集上广泛评估 W-MPOT，在多次会话的阿尔茨海默 MR 图像分类中提高了 54.1％的准确性，并在电池容量估计中降低了 94.7％的 MSE。
continuous domain adaptationw-mpottransfer learningdomain orderingerror accumulation
发现论文，激发创造
  • 深入研究连续领域自适应

    本文提出了连续域自适应（CDA）问题，并提出了一种新颖的方法作为 CDA 基线。该方法通过交替训练策略、连续性约束和域特定队列等手段，在多个域之间降低差异性并泛化到未见目标域，从而在 CDA 问题中实现了最优性能。

    Aug, 2022

  • 双域协作的弱监督开放集域自适应

    在弱监督开放域自适应中，使用 CDA 的知识转移方法能够双向协调地分类未标记数据和识别异常点，并在应用于 Person reidentification 和 Office 基准时达到了最先进的性能。

    Apr, 2019

  • 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

  • ML-BPM: 开放式复合领域适应语义分割的双向光度混合多教师学习

    本文提出了一种基于多教师框架的光度混合自适应分割方法，用于解决开放式复合领域自适应问题，比现有方法效果更好。

    Jul, 2022

  • 基于标签知识的分布对齐连续迁移学习

    本文提出了一种名为 TransLATE 的通用对抗自编码器框架，通过最小化连续时间戳之间的潜在特征空间中目标域的分类误差和 C - 散度来建模具有时间演变目标域的连续转移学习设置。

    Jun, 2020

  • 最优传输理论分析的领域自适应

    本文在探讨域自适应的过程中，提出了一种使用 Wasserstein 度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。

    Oct, 2016

  • 紧密但不同的领域自适应

    该论文提出了一种名称为 CDDA 的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

    Apr, 2017

  • 高斯混合模型与最优输运在多源域自适应中的轻量化、优化、快速

    多源领域自适应是迁移学习中的任务之一，本文提出了基于最优传输和高斯混合模型的新框架，在图像分类和故障诊断两个领域中，通过 GMM-WBT 和 GMM-DaDiL 策略实现多源领域自适应，显示出在提高性能的同时更快速、参数更少。

    Apr, 2024

  • 类增量领域自适应

    该研究提出了一种实用的域自适应范式 —— 增量类别域自适应（Class-Incremental Domain Adaptation，CIDA），并且根据理论和实证观察，提出了一种基于样板网络的有效方法，使得在域偏移的情况下可以对目标样本进行分类，并且可以对共享的和新的目标类进行分类，其性能优于 CIDA 范式中的 DA 和 CI 方法。

    Aug, 2020

  • 将对比学习和最优输运融合于三维点云域适应

    通过多模态对比学习和最优传输的对齐，我们提出了一种新的用于点云分类的无监督领域自适应架构，实现了更好的类别分离并在多个数据集上取得了最先进的性能。

    Aug, 2023