Mar, 2024

成对对齐提升图领域适应

PDF
TL;DR图领域适应性研究中，本文提出了一种新颖的、基于理论原则的方法，即配对校准（Pair-Align），以解决图结构的移动性问题。通过减轻条件结构移位和标签移位，Pair-Align 利用边权重重新校准相邻节点之间的影响，并通过标签权重调整分类损失来处理标签移位。本方法在实际应用中表现出卓越的性能，包括社交网络中具有区域移位的节点分类以及粒子碰撞实验中的堆积减灾任务。对于第一个应用，我们还创建了迄今为止最大的 GDA 研究数据集，并在合成和其他现有基准数据集上展示了强大的性能。
发现论文，激发创造
  • 结构重加权改进图领域自适应

    本文研究图神经网络中的图域自适应问题，提出了一种新方法叫做结构重加权，用于解决现有方法无法适应的条件结构偏移问题，并在合成图、四个基准数据集和高能物理领域的一个新应用中进行了测试，表现出了显著的性能提升。

    Jun, 2023

  • 图关系领域自适应

    本文提出一种利用域图编码域相邻度的方法，将域统一 alignment 放松，以灵活的方式进行域对齐，并基于图结构推广现有的对抗学习框架，成功地将域信息自然地纳入域自适应方法，提高了现有域自适应方法在综合和真实数据集上的效果。

    Feb, 2022

  • 图传输学习中的半监督领域自适应

    半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。

    Sep, 2023

  • 图领域适应：挑战、进展与前景

    图领域适应（Graph Domain Adaptation）是一种有效的跨图知识转移范式，该论文详细调查了图领域适应的研究现状、挑战、代表性工作以及展望，并提供了第一份图领域适应调查报告。

    Feb, 2024

  • 正则化超图匹配的无监督领域自适应

    我们提出了一种无监督领域适应方法，该方法通过使用类正则化的超图匹配，考虑目标域中仅有的未标记数据，在标准对象识别数据集上的实验验证了我们的框架有效性。

    May, 2018

  • 基于图诱导原型对齐的跨域检测

    通过图形感知原型对齐（GPA）框架和加权对比损失最小化类不平衡，结合 Faster R-CNN 的特征对齐方式，可实现目标探测跨域适应。

    Mar, 2020

  • 有条件分布匹配和广义标签偏移的领域自适应

    本文提出了广义标签偏移（$GLS$）的假设来提高对不匹配标签分布的鲁棒性，在此基础上，提供了任何分类器的转移性能的理论保证，并且设计了估算相对类权重以及适当的样本重新加权的必要和充分条件。我们修改三个现有的域自适应 (DA) 算法（JAN，DANN 和 CDAN），评估它们在标准和人工 DA 任务上的性能，并且实验结果表明，在存在大的标签分布不匹配的情况下，我们算法的性能表现得到了显著的提高。

    Mar, 2020

  • OpenGDA：面向跨网络学习的图领域自适应基准

    图领域适应模型在跨网络学习任务中得到广泛应用，目的是传递标记或结构知识。我们提出了一个名为 OpenGDA 的基准，它提供了丰富的预处理和统一数据集以进行不同类型的任务评估，并整合了最先进的模型和标准化的端到端流程。OpenGDA 是一个用户友好、可扩展和可复制的基准，可用于评估图领域适应模型在真实世界应用中的性能和挑战。

    Jul, 2023

  • 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

  • 利用图生成提升领域自适应物体检测

    通过图生成提高无监督域适应中的目标检测质量，并在语义对齐和适应领域之间保持类别不变的信息以实现最准确的跨域语义对齐。

    Apr, 2024