- CVPR面向高效人体网格估计的 MoCap 到视觉领域自适应从 2D 关键点
提出了一个名为 Key2Mesh 的模型,使用 2D 人体姿势关键点作为输入并估计相应的身体网格。利用大规模的运动捕捉数据集对模型进行训练,克服了缺乏带有 3D 标签的图像数据集的问题。通过在 RGB 图像上应用对抗性领域自适应方法,提高了 - 预训练大模型微调的对抗领域适应中的混淆平衡
该研究提出了一种带有混淆量衡的对抗域自适应预训练模型微调方法,该方法在确定领域不变特征的基础上,通过对抗损失来减弱领域分类器中的歧视,并在训练中平衡源域和未测量域之间的混淆分布,从而实现了对从预训练模型提取的特征中的混淆因素进行消除。
- 领域适应学习:改进损失函数组合的组织学图像无监督适应
这篇论文提出了一种针对 H&E 染色组织学图像的无监督领域自适应 (UDA) 的新方法,通过利用组织结构和细胞形态等组织学特征来提高领域适应性能。该方法在准确性、鲁棒性和泛化性方面经过了广泛评估,并且在 FHIST 数据集上的实验结果表明, - 无偏决策减少遗憾:面向银行贷款问题的对抗领域适应
通过对抗性领域适应性解决训练数据偏差问题,adversarial optimism(AdOpt)显著超过了现有性能,并初步证明对抗性领域适应性的引入改善了这个情景中的公平性。
- 运行时域损坏下的变分反事实预测
本文介绍了一种新的方法,通过领域适应和对抗域适应来对付运行时域损坏,提高反事实预测器的泛化性能。我们的 VEGAN 模型在标准数据集上表现优异,达到了个体水平的治疗效果估计。
- 极端标签稀缺情况下的自主跨领域适应
LEOPARD 是一种基于深度聚类网络的跨域多流分类解决方案,通过深度聚类策略和对抗域适应策略,可以处理极端标签短缺的情况下,只使用非常少的源流标记样本。
- 基于不确定性感知的固态记忆和对抗领域适应的连续机器阅读理解
该论文提出了 MA-MRC,一种使用具有不确定性意识的固定内存和对抗领域适应的连续 MRC 模型,旨在在不访问以前见过的数据的情况下,从连续数据流中学习。实验结果表明,MA-MRC 具有显着的增量学习能力,没有灾难性遗忘在两个不同的连续 M - 域对抗时空网络:一种适用于跨城市短期交通预测的可迁移框架
该论文提出了一种新的可迁移交通预测框架 —— 域对抗时空网络(DASTNet),该框架通过预先训练多个源网络并使用目标网络的流量数据进行微调来实现跨不同城市的交通预测。使用图表示学习和对抗性领域适应技术来学习领域不变节点嵌入,并将其进一步融 - 元学习对抗域适应网络用于小样本文本分类
本文提出了一种新的元学习框架,集成对抗域适应网络,旨在提高模型的适应能力并为新类别生成高质量的文本嵌入。在四个基准数据集上进行了大量实验,结果表明我们的方法在所有数据集上都明显优于现有技术,特别是在 20 个新闻组数据集上,1-shot 和 - CVPR自我训练引导的对抗域适应在热成像中的应用
利用深度模型进行的大规模 RGB 图像数据集的训练已经取得了巨大成功。本文提出一种无监督领域自适应方法,该方法结合了光谱和热图像模态,通过自训练引导的对抗领域自适应方法促进了对目标领域更广义的表示学习。
- CVPR跨域梯度差异最小化用于无监督域自适应
本文提出了一种跨域梯度分歧最小化方法,使用聚类自监督学习获得目标伪标签,显式地最小化源样本和目标样本生成的梯度差异,以提高目标样本的准确性,实验证明该方法优于许多先前的最新技术
- 他们并非毫无用处:将可转移的未标记数据用于类不匹配的半监督学习中的回收利用
本研究提出了 “可转移的 OOD 数据回收”(TOOR)方法,采用敌对领域适应将可回收的 OOD 数据投影到 ID 数据和标记数据的空间中进行训练,从而实现了非相配类别 SSL 的改进表现,该方法在典型基准数据集的实验中得到了证明。
- IJCAI自适应加权对抗领域适应
提出了一种自适应的、基于条件分布的加权对抗领域适应方法,将三元损失与对抗损失结合应用于度量学习,以保证类别级别的对齐;实验结果表明,该方法在标准领域适应数据集上优于现有方法。
- ACL基于对抗领域自适应的开放领域事件触发识别
通过敌对域适应 (ADA) 框架的无监督学习,可以在没有目标领域标记数据的情况下,在两个领域 (英国文学和新闻) 上实现 3.9 的平均 F1 得分提高,并且我们最好的模型 (BERT-A) 在两个领域中达到 44-49 F1。初步实验表明 - CVPR逐渐消失的桥梁:用于对抗性领域自适应的方法
本文介绍一种在生成器和鉴别器中均配备 GVB 机制的对抗性领域自适应方法,旨在减少领域特定特征在领域不变表示中的影响,并在三个具有挑战性的数据集上进行的实验表明,该方法优于强竞争对手,并与其他对抗方法协作良好。
- 跨网络节点分类的对抗深度网络嵌入
本文介绍一种基于对抗性领域适应的深度网络嵌入模型,旨在实现跨网络节点分类。该模型利用两个特征提取器来保留节点之间的属性相似性和拓扑关系,并采用节点分类器和对抗性领域适应技术来使节点表示网络不变和有较好的标签判别能力。实验结果表明,该模型在跨 - 通过图卷积的对抗领域自适应实现图传输学习
本文研究跨网络节点分类问题,提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下,从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类,并在真实数据集上进行了大量实验评估,并验 - 城市场景语义分割的弱监督对抗域适应
本研究提出了基于弱监督对抗领域适应的方法,通过三个深度神经网络(DS、PDC 和 ODC)改善从合成数据到真实场景的语义分割性能,并在实验中取得了新的记录。
- 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 - NIPS立场检测的对抗领域适应
本文研究了支持态度检测的新方法,使用了基于机器学习的自适应领域转换模型,证明了其在不同领域下的检测效率。