May, 2024

小规模和异构生物数据集中的领域自适应

PDF
TL;DR综述小规模和高度异质的生物学数据中的领域自适应方法，探讨了领域自适应在生物研究中的好处、挑战以及通过关键代表性方法进行的批判性讨论，提出了将领域自适应技术纳入计算生物学家的工具箱，并进一步开发定制方法的观点。
machine learningbiologydomain adaptationbiological datatransfer learning
发现论文，激发创造
  • 医学图像分析的领域自适应研究概述

    介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

    Feb, 2021

  • 领域自适应简介

    本文关注的是无监督领域适应问题，该问题中只在源域内提供标签。文章试图从不同角度解释领域适应的类别，并提出了一些成功的浅层和深层领域适应方法。

    Oct, 2020

  • 领域自适应和迁移学习简介

    介绍了机器学习中领域自适应和转移学习的数据分布变化问题，分类模型的风险最小化框架及其在复杂变化中的应用，并讨论了多种方法来解决这些问题，但要实现实用化仍需解决许多问题。

    Dec, 2018

  • 领域自适应理论概述：学习界限与理论保证调查

    该论文综述了迁移学习中的一个具有代表性的子领域 —— 领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。

    Apr, 2020

  • 计算机视觉应用领域的适应性

    本研究关注最近在计算机视觉领域的早期领域转移学习方法，强调借助标记数据从不同域进行域适应以在目标域中提高数据分类准确度。

    Nov, 2012

  • 单源深度无监督视觉域自适应综述

    本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

    Sep, 2020

  • 深度视觉领域自适应：一份综述

    本研究提供了关于计算机视觉领域中，基于深度学习的深度域适应方法的全面概述，分类不同的深度域适应情景，总结了深度域适应方法，重点分析比较了各种情况下的最先进方法，并着重强调了当前方法的潜在缺陷和未来几个方向。

    Feb, 2018

  • 神经机器翻译的领域差异适应

    本文介绍了『Domain Differential Adaptation（DDA）』的框架，该框架通过使用相关任务中的模型直接建模不同领域之间的差异，从而成功地应用于神经机器翻译的领域自适应中，并在多个实验设置中实现比其他替代方法更好的改进效果。

    Oct, 2019

  • 机器学习在生态学和水文学中领域适应性的潜力以提高模型的外推能力

    目前生态学和水文学的机器学习模型在全球的代表性以及由缺乏外推能力而导致的局限性方面存在问题，建议未来的建模工作应考虑使用领域适应技术来改善外推能力。

    Mar, 2024

  • 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