May, 2024

基于聚类的领域泛化验证划分

PDF
TL;DR该论文考虑了域漂移下的模型选择问题，并提出了一种基于核 k-means 聚类的数据分割算法，该算法最大化训练集和验证集之间的最大平均差异 (MMD)，提高选定模型的泛化能力，该技术在一系列数据集和训练算法中一直表现优于其他分割策略，适用于域广义化和无监督域适应任务。分析还表明，训练集和验证集之间的 MMD 与测试域准确性强烈相关（$\rho=0.63$），进一步证实了这种方法的有效性。
发现论文，激发创造
  • 重新思考最大平均差异用于域自适应

    本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化，并连带减少它们的方差以降低特征可分性；同时分析了内类距离和间类距离的关系，提出了一种新的基于判别性 MMD 的方法，实验表明其在几个基准数据集上的效果优于现有方法。

    Jul, 2020

  • 多领域判别分析实现领域泛化

    本文提出了一种多领域判别分析方法 (MDA) 来处理分类任务中的域泛化问题，通过学习一个域不变的特征变换，旨在实现每个类别之间领域的最小差异、类别之间最大可分性以及整体最大紧凑性，在学习理论分析中提供了过度风险和泛化误差的限制，通过对合成数据集和真实基准数据集的全面实验，证明了 MDA 的有效性。

    Jul, 2019

  • 小数据领域泛化

    探索处理在不足样本情况下的领域泛化问题，通过学习基于概率框架的域不变表示，在全局和局部视角对分布进行测量，以及基于概率的对比语义对齐损失函数，提出了一种解决方法，并通过实验证明其在不足数据环境下相较于现有方法的有效性。

    Feb, 2024

  • 注意了课程权重偏差：加权最大均值差异用于无监督域自适应

    本研究提出了一种加权 MMD 方法，采用类特定辅助权重来考虑不同类别间的先验概率分布偏差，通过交替为源域中的每个类别引入辅助权重和分配伪标签以更新模型参数，解决了 MMD 忽视类别间重量偏差的问题。实验表明，加权 MMD 方法优于传统的 MMD 方法在域适应中的表现。

    May, 2017

  • 通过风险分布匹配实现领域泛化

    通过最小化训练域之间的风险分布差异，建立领域不变性；采用风险分布匹配（RDM）方法，通过对最坏情况域和所有域的综合分布进行对齐，既提高了效果，又提高了计算效率。该方法在标准基准数据集上的实验证明，优于现有的领域泛化方法。

    Oct, 2023

  • 加权联合最大均值偏移使能的多源多目标无监督域适应故障诊断

    本研究提出了一种多源多目标无监督领域适应方法，通过改进的加权距离损失函数，在故障诊断领域中实现了源域与目标域之间的域对齐，并学习到多个源域与目标域之间的域不变和有区分性的特征，从而实现了跨域故障诊断。综合对三个数据集进行了综合比较实验，实验结果证明了该方法的优越性。

    Oct, 2023

  • 发现领域解耦来进行广义多源域自适应

    本研究提出了一种多源领域适应方法 (GM-DA)，试图解决传统方法中源域与目标域之间类别不完全重叠的问题，该方法基于变分域解缠绕 (VDD) 框架，借助在线伪标签来识别未知类别的目标样本，并且在两个基准数据集上展现了该框架的有效性。

    Jul, 2022

  • 可解释分布比较中的最大均值差异的变量选择

    这篇研究论文研究了在两样本检验中的变量选择问题，基于最大平均差异（MMD）的两样本检验的能力，通过优化自适应相关检测（ARD）权重来确定引起两个分布差异的变量，提出了考虑稀疏正则化的两种方法以解决选择适当正则化参数的问题，并通过与基线方法的系统比较验证了所提出方法的有效性，在高维交通仿真数据的探索性分析中展示了所提方法的实用性，同时也提供了变量选择在两样本检验中的严格定义的初步理论分析。

    Nov, 2023

  • 基于不相似度空间的无监督领域自适应在人员再识别中的应用

    本文提出了一种基于最大均值偏差（D-MMD）损失函数的度量学习方法，用于解决人员再识别中的跨域偏移问题和对抗攻击，实验结果表明，该方法在不需要数据增强和 / 或复杂网络的情况下，能够明显优于基准线和现有的无监督域自适应方法。

    Jul, 2020

  • 领域自适应神经网络用于物体识别

    该研究提出了一个结合最大平均差异（Maximum Mean Discrepancy）的正则化项和去噪自编码器预训练的神经网络模型，以解决目标识别中的领域自适应问题，实验表明，该模型在源域和目标域之间建立的潜在空间显著降低了分布不匹配问题，并且在原始像素和 SURF 特征数据集上均比同类别基准模型表现更优秀。

    Sep, 2014