- IJCAI更多就是更好:多源深度域适应
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 - AED-PADA: 通过主要对抗领域适应性提高对抗样本检测的泛化能力
通过主对抗领域适应的对抗性样例检测方法(AED-PADA),针对现有检测方法在广泛应用中存在的泛化性能较差的问题提出了解决方案,通过识别主对抗领域(PAD)并利用多源领域适应实现对对抗性样例的检测,实验表明我们的方法在具有极小幅度干扰的挑战 - 高斯混合模型与最优输运在多源域自适应中的轻量化、优化、快速
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。
- FMDA-OT:通过最优传输进行联邦多源域适应
通过多源领域自适应的合作性框架,使用最优传输分别进行源领域自适应和目标领域自适应,并利用中央化联合学习架构协同多个源的模型,解决领域自适应中的数据隐私问题。
- 利用合成数据进行通用且公平的面部行为单元检测
通过使用合成数据和多源领域自适应方法解决已标记数据稀缺和性别多样性问题,本文提出了一种基于面部表情再目标化方法的面部动作单元检测模型,并采用配对矩匹配方法来提高性别平等性,实现实现在真实环境中的面部动作单元检测。
- 基于注意力的多源域自适应目标检测中的类别条件对齐
领域自适应方法针对目标检测(OD)旨在通过促进源域和目标域之间的特征对齐来减轻分布偏移的影响。多源域自适应(MSDA)允许利用多个带注释的源数据集和未标记的目标数据以提高检测模型的准确性和鲁棒性。最先进的 MSDA 方法通常采用类不可知的特 - 利用近似共享特征连接领域
多源领域适应中的特征选择以及基于方差相关性的统计框架,通过学习过程提取近似共享特征,达到解决多源适应中优化策略的目的。
- LanDA: 语言引导的多源域自适应
使用多模态模型和联合图像与语言嵌入空间,我们提出了一种基于最优传递理论的新型语言引导多源域适应(LanDA)方法,可以通过目标域的文本描述进行域适应,而无需任何目标域图像,并且在目标和源域都优于标准微调和集成方法。
- 基于 Transformer 的特征生成的多源领域适应用于基于脑电情感识别的主体独立性
本研究提出了一种基于变压器特征生成器的多源域适应方法(MSDA-TF),该方法通过捕获浅层空间、时间和频谱 EEG 数据表示的卷积层,以及自注意机制提取这些特征中的全局依赖关系,以解决不同主体之间的变化对传统深度学习算法在自动情感识别中的性 - 多源域适应回归
多源领域自适应算法通过回归问题的两步骤流程,提供了在多个源领域利用信息进行预测的方法,其中使用了灵活的单源自适应算法和集成学习,通过多种学习范式在目标适应学习器中实现线性组合,改进了预测性能。
- 面向基于主题的领域自适应的面部表情识别
本研究提出了一种基于主题的多源领域自适应方法,通过利用多个源主题数据集来适应一个深度面部表情识别模型到一个单一的目标个体,实现了优于现有方法的性能,同时能够适应多个主题的源领域。
- 多源领域自适应的子空间识别
提出了一种基于子空间识别理论的多源域自适应方法,它能在较少的约束条件下实现域不变和特定变量的脱钩,通过最小化域漂移对不变变量的影响来促进域适应。该方法在各种基准数据集上优于现有的多源域适应技术,凸显其在实际应用中的有效性。
- 基于原型的均师多源领域自适应物体检测
基于原型的均值教师(PMT)是一种新颖的多源领域适应方法,通过使用类原型而非特定于域的子网络来保持域特定信息,并使用对比损失来对不同类别进行对齐和分离,从而减小了参数大小与源域数量的关系,降低了内存问题和可能的过拟合,并在多个具有挑战性的物 - 多源领域自适应遇上数据集蒸馏通过数据集字典学习
该论文探讨了机器学习中两个问题的交集:多源领域适应 (MSDA) 和数据集精炼 (DD)。通过采用之前 MSDA 领域的作品以及 DD 方法的分布匹配,在四个基准测试中进行了深入的实验,表明即使每类仅有 1 个样本,也能够获得最先进的适应性 - 在 Wasserstein 空间中通过数据集字典学习进行多源领域适应
该研究论文提出了一种基于字典学习和最优输运的多源域自适应框架,通过将每个域表示为字典原子的经验分布的 Wasserstein 质心,提出了 DaDiL 算法来学习原子分布和质心坐标矩阵,并在目标领域进行重建和集成方法的实验评估,在三个基准测 - FREEDOM: 无目标标签,无源数据,无领域信息的多源领域自适应无监督个性化
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 - 多源领域自适应表示学习的算法相关性界限
使用信息论工具从表示学习的角度推导了多源域自适应(MDA)的新型分析。具体而言,研究了具有少量目标标签的监督 MDA 和具有伪标签的无监督 MDA 的联合分布对齐,提出了一种隐式处理目标偏移的新型深度 MDA 算法,最后扩展了相互信息边界以 - 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。
- CVPR多源域自适应物体检测中的目标相关知识保留
本文提出了一种名为 TRKP 的方法,采用教师 - 学生框架,构建多头教师网络来从标记的源域中提取知识并指导学生网络在未标记的目标域中学习探测器,解决了多源领域适应这一泛化性任务的问题。实验结果表明,该方法有效降低了目标域的领域偏移,提高了 - 基于最优输运的可解释性发音障碍者语音适应
本文提出一种基于最优传输的无监督多源域自适应算法 ——MSDA-WJDOT,用于解决难以识别的发音障碍语音命令识别中通过对多个说话人的数据进行训练以进行说话人自适应的特定问题。该方法相对于其他现有的 SA 方法具有可解释性模型,可用于诊断发