Aug, 2024

COD：学习用于领域适应的条件不变表征

HTML
PDF
TL;DR本研究解决了领域适应回归（DAR）中标签知识从源领域向无标签目标领域迁移的挑战，尤其是回归中的连续性问题。提出了一种新颖的条件算子差异（COD），为处理连续条件变量的条件差异提供了理论支持，并提出了一种基于COD的条件不变表征学习模型，实验证明该模型在处理领域适应时显著超越现有方法。
发现论文，激发创造
  • 领域自适应：学习界限和算法

    本文介绍了一种针对域自适应问题的新型分布距离度量——偏差距离，并给出了不同损失函数的估计方法以及普遍推广界限。同时，本文也探讨了偏差距离减少和多种损失函数的最小化算法，并验证了其在不同应用场景的有效性。

    Feb, 2009

  • 紧密但不同的领域自适应

    该论文提出了一种名称为CDDA的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

    Apr, 2017

  • 通过条件不变表示实现域泛化

    本文针对数据集偏差问题，提出一种基于类条件分布的域不变特征表示方法，在合成和实际数据上的实验证明其有效性。

    Jul, 2018

  • 学习不变表示以进行领域自适应

    本文针对无监督域适应学习中常见的假设提出了简单反例，证明了这些假设并不足以保证域适应的成功；提出了一种基于信息理论的弱化条件，并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡；最后，通过实验验证了理论结果。

    Jan, 2019

  • 半监督域自适应的学习不变表示和风险

    本论文提出了一种用于半监督域适应的算法LIRR，它能同时学习不变的表示和风险，并将特征空间中的边缘和条件分布对齐，实现了目标泛化能力的有意义提高。该算法在分类和回归任务上实现了最先进的性能和显著的改进。

    Oct, 2020

  • 变分贝叶斯推理下的条件和标签偏移下的域通用化

    本文提出了一种领域泛化（DG）方法来学习多个标记源域并将知识转移至在训练中不可访问的目标领域，使用变分贝叶斯推断框架来强制进行条件分布对齐，并在考虑后验分布对齐的同时考虑与 $p（y）$ 相关的边际标签偏移，从而在各个基准测试上实现了优越的表现。

    Jul, 2021

  • 条件Bures度量用于域自适应

    本研究提出了一种基于条件核Bures度量的无监督领域自适应方法，旨在解决条件分布偏移问题以提高分类性能，并通过建立一致性理论提供理论保障，同时使用条件分布匹配网络来实现知识传递机制，实验证明该方法的优越性。

    Jul, 2021

  • 针对领域特定风险的最小化以实现超出分布的泛化

    本文提出了基于领域特定风险最小化（DRM）的方法，旨在通过利用源域信息和适应性差的估计和最小化来弥合领域间差异以实现领域通用性，并在不同分布漂移设置下显着优于竞争基准。

    Aug, 2022

  • 带标签偏移的条件支持对齐域自适应

    本文介绍了一种名为CASA的方法，使用条件对抗支持对齐来最小化源域和目标域的特征表示分布之间的条件对称支持差异，以提供更好的分类模型，同时提出了一种新的理论目标风险界来证明对比于现有的边缘支持对齐方法，对齐有条件的特征分布的支持更加优秀。实验结果表明CASA在不同的无监督域适配基准任务中的性能优于其他先进方法。

    May, 2023

  • 领域适应中条件不变组件的重要角色：理论与算法

    域自适应是一种统计学习问题，当用于训练模型的源数据分布与用于评估模型的目标数据分布不同时产生。本研究着重于讨论条件不变组件（CICs）存在的假设，在域自适应中扮演了重要角色，通过条件不变惩罚（CIP）可以估计CICs，并提出了一种新的基于CICs的算法（IW-CIP）来提供目标风险保证，解决了其他域自适应算法在源数据和目标数据之间存在的差异问题，并通过将CICs纳入域不变投影（DIP）算法解决了由标签翻转特征引起的失败情况，通过合成数据、MNIST、CelebA和Camelyon17数据集的数值实验来验证了新算法和理论发现。

    Sep, 2023