提出一种新的基于联邦学习的多目标领域自适应算法,通过对模型性能的分析,发现现有领域自适应方法在面对该问题时存在的问题,并提出一种有效的 DualAdapt 方法来解决这些问题。在图像分类和语义分割任务上的大量实验结果表明,我们的方法在客户端设备上实现高准确度,最小通信成本和所需计算资源低。
Aug, 2021
提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA),采用敌对学习与度量约束将每组源和目标域映射到特定的子空间,并构造了一系列伪目标域进行训练以提高性能。此外,为提高深度神经网络的传递性,用有效的匹配规范化层代替传统批规范化层,给出理论分析和实验探究证明了该方法的有效性。
Feb, 2022
在深度学习时代,由于很难获得大规模标记数据来训练先进的深度神经网络,因此将已学习的知识从有标签的源领域转移到无标签或稀疏标签的目标领域成为一种吸引人的替代方法,而多源领域适应则是在收集有不同分布的多个源的标记数据中的一个强大而实用的扩展。在本次调查中,我们首先定义了各种多源领域适应策略。接着,我们从不同的角度系统地总结和比较了现代多源领域适应方法,以及常用的数据集和一个简单的基准测试结果。最后,我们讨论了值得探索的多源领域适应的未来研究方向。
May, 2024
本文介绍了多源域适应的概念和相关技术方法,探讨了其在深度学习时代的发展趋势和研究方向,为该领域的研究提供借鉴和参考。
Feb, 2020
多源无监督领域适应的模型选择问题和跨域转移能力估计的新方法,通过选择准则和新框架有效地学习鉴别性目标模型。
Mar, 2024
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
本文提出一种新的多源领域自适应 (MDA) 框架,通过设计一个端到端的多源对抗性域聚合网络 (MADAN) 来解决领域自适应中的像素级对齐和任务特征不对齐等挑战,并通过在数字识别、对象分类和模拟到真实语义分割等领域进行广泛的实验,证明 MADAN 和 MANDA + 模型的优越性。
从服务角度出发,提出了一个新颖的问题场景,称为 Three-Free Domain Adaptation(TFDA),解决了多源领域适应中训练依赖先前领域信息、同时需要源和目标数据集的问题;通过 FREEDOM 框架,结合生成模型和分类模型,实现了在没有领域信息的情况下,将源类别分布与目标类别匹配,从而取得了与最先进方法相媲美甚至优于其的性能,并降低了目标端的模型大小。
Jul, 2023
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
提出了一种用于 Source-Free Domain Adaptation 的新框架,使用在目标领域样本上训练的文本到图像扩散模型生成源数据,并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐,从而显著提高目标领域模型的性能。
Oct, 2023