语义特征学习用于通用无监督跨领域检索

Mar, 2024

语义特征学习用于通用无监督跨领域检索

Semantic Feature Learning for Universal Unsupervised Cross-Domain Retrieval

Lixu Wang, Xinyu Du, Qi Zhu

TL;DR本文首次引入了 “通用无监督跨领域检索（U^2CDR）” 问题，并设计了一个两阶段的语义特征学习框架来解决该问题。在第一阶段，通过实例 - 原型 - 混合对比损失和语义增强损失，在域间保持一个跨领域统一的原型结构以应对类别空间差异。在第二阶段，通过修改的对抗训练机制，在领域对齐过程中保持已建立的原型结构的最小变化，从而实现更准确的最近邻搜索。对多个数据集和场景进行了广泛实验，包括闭集、部分集和开集 CDR，结果表明我们的方法在解决 U^2CDR 挑战方面显著优于现有最先进的 CDR 方法以及其他主题中一些潜在有效的研究。

Abstract

cross-domain retrieval (CDR), as a crucial tool for numerous technologies, is finding increasingly broad applications. However, existing efforts face several major issues, with the most critical being the need for accurate supervision, which often demands costly resources and efforts.

cross-domain retrieval universal unsupervised cross-domain retrieval semantic feature learning framework instance-prototype-mixed contrastive loss adversarial training mechanism

发现论文，激发创造

无监督跨域图像检索的特征表示学习

本文探讨无监督的跨域图像检索任务，提出了基于类簇对比学习和距离 - 距离损失的方法，无需外部监督，在 Office-Home 和 DomainNet 数据集上实验结果表明，我们的方法优于现有最先进方法。

Jul, 2022

SynCDR: 用合成数据训练跨领域检索模型

在跨领域检索中，我们提出了一种简单的解决方案，通过图像之间的保留类别的翻译，在不共享训练数据的情况下生成合成数据，从而提高跨领域检索模型的准确性。

Dec, 2023

ProS：促进通用跨领域检索的广义知识生成

该研究提出了 Prompting-to-Simulate (ProS) 方法，通过 Prompt Units Learning 和 Context-aware Simulator Learning 两个阶段，利用 Content-aware Dynamic Prompts (CaDP) 模拟产生通用特征，从而在 Universal Cross-Domain Retrieval (UCDR) 任务中实现新的最先进性能。

Dec, 2023

跨领域推荐的领域感知交叉注意力

我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展示费用的显著改善。

Jan, 2024

跨领域对比推荐匹配

本文提出了一种新颖的用于匹配的对比交叉领域推荐（CCDR）框架，该框架通过构建一个巨大的多样化的偏好网络来捕捉反映用户多种兴趣的多种信息，并设计了一个内域对比学习（intra-CL）和三个交叉域对比学习（inter-CL）任务以获得更好的表示学习和知识转移。在实验中，CCDR 在现实世界的系统中取得了显着的离线和在线评估成果。

Dec, 2021

跨域对比学习用于无监督域自适应

该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架 CDCL，并使用伪标签进行评估，这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

Jun, 2021

跨领域顺序推荐的用户检索集成探索

跨领域顺序推荐 (CDSR) 旨在挖掘和转移用户在不同领域的顺序偏好以减轻长期存在的冷启动问题。传统的 CDSR 模型通过用户和物品建模来捕捉协作信息，而忽视了有价值的语义信息。最近，大型语言模型 (LLM) 展现出强大的语义推理能力，激发了我们将其引入以更好地捕捉语义信息。然而，由于无缝信息集成和领域特定生成两个关键问题，将 LLM 引入到 CDSR 中并非易事。为此，我们提出了一种名为 URLLM 的新型框架，旨在通过同时探索用户检索方法和 LLM 上的领域基础来改善 CDSR 性能。具体而言，我们首先提出了一种新颖的双图顺序模型来捕捉多样的信息，在此基础上采用了一种对齐和对比学习方法来促进领域知识传输。随后，我们采用了一种用户检索 - 生成模型来将结构信息无缝集成到 LLM 中，充分利用其涌现的推理能力。此外，我们提出了一种领域特定的策略和一个改进模块，以防止领域外生成。在亚马逊上进行的广泛实验证明了 URLLM 与最先进基线系统相比在信息集成和领域特定生成能力方面的优势。我们的代码可在此 https URL 找到。

Jun, 2024

跨域相似度学习在未知域中的人脸识别

本文介绍了一种名为 CDT 损失的跨域度量学习方法，该方法通过在网络中统一损失函数中的另一个培训领域中与三元样本相关的明确度量来提高面部识别在未知领域的性能。

Mar, 2021

跨域推荐：挑战、进展和前景

本文综述了现有的跨领域推荐方法，包括挑战、研究进展和未来方向，把现有的跨领域推荐方法归纳为四类：单目标 CDR，多领域推荐，双目标 CDR 和多目标 CDR，并提出了全景分类和新的分类法，并详细报告了它们的研究进展。

Mar, 2021

通过层次子空间解缠交叉领域推荐的联合可辨识性

为有效实现跨领域知识传递，本研究从因果学的角度出发，提出一种分层子空间解缠方法（HJID），以探索跨领域联合分布的联合识别性，并保留特定领域行为和域共享要素。实验证明，HJID 在一系列强相关和弱相关跨领域推荐任务中优于现有方法。

Apr, 2024