Mar, 2024

域对抗主动学习用于领域泛化分类

PDF
TL;DR该研究提出了一种领域对抗主动学习算法（DAAL），用于领域泛化任务中的分类任务，在减少数据资源的情况下实现强大的泛化能力，从而降低领域泛化任务中的数据标注成本。
domain generalization modelscross-domain knowledgedomain-adversarial active learningclassification tasksdata annotation costs
发现论文，激发创造
  • 主动对抗域自适应

    提出了一种积极学习的方法，通过敌对领域自适应（AADA）进行表示转移，其探索了两个相关问题之间的双重性：敌对领域对齐和重要性采样来适应跨域模型， 以及将两种方法结合在一个框架中进行领域自适应和转移学习，当源域有许多标记示例而目标域没有时，它提供了重要的改进。

    Apr, 2019

  • 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

  • 基于元学习的交叉领域验证的判别式对抗领域泛化

    本文提出基于元学习的 Discriminative Adversarial Domain Generalization（DADG）框架来改善机器学习模型的泛化能力，包括学习一般化的特征表示和分类器，在三个基准数据集的对比中，DADG 始终优于基线 DeepAll，并在大多数评估情况下优于其他现有的领域泛化算法。

    Nov, 2020

  • 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

  • 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

  • 针对领域泛化的领域对抗神经网络：工作原理与改进方法

    本研究通过研究 DANN 在域泛化中的应用，讨论其使用的条件并考虑其作为训练时的动态过程。实验证明了我们提出的算法对于域泛化问题的扩展是有效的。

    Feb, 2021

  • 领域自适应集成学习

    本文提出了一种统一的域自适应集成学习（DAEL）框架，通过在多源场景中专用于某个领域的分类器头，以及使用 CNN 特征提取器共享的方式来解决使用多源未标记数据的多源无监督域自适应（UDA）问题和域通用性（DG）问题，来提高 DAEL 模型在 UDCA 数据集和 DG 数据集上的表现。

    Mar, 2020

  • 相关感知的敌对域自适应和泛化

    本文提出了一种基于相关性感知的对抗式 DA 和 DG 框架，将源数据和目标数据的特征最小化，通过关联对齐模块和对抗学习来实现更加领域无关的模型，并在基准数据集上进行的实验证明了我们提出的方法的最新效果得到了改善。

    Nov, 2019

  • 自然语言任务中的多域主动学习

    该研究对带有多个数据来源的领域转移进行了详尽的调查，发现了一些有效的方法并提出了一种新的有效方法 DAL-E，并探讨了选定的示例和域具有的特性。

    Feb, 2022

  • 判别式标签一致性域自适应

    本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

    Feb, 2018