最优传输论文（三十二）：Deep multi-Wasserstein unsupervised domain adaptation论文原理

已于 2022-04-11 15:56:38 修改
阅读量334 收藏
点赞数
分类专栏： 领域自适应与最优传输 文章标签： 深度学习 神经网络 机器学习 最优传输
于 2021-09-10 20:19:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41076797/article/details/120110987
版权
本文提出了一种名为MCDA的深度无监督域自适应方法，通过最小化源真实风险、域差异并控制联合误差来解决负迁移问题。MCDA利用多批评（multi-critic）来学习多个Wasserstein距离，同时借助高置信目标样本的混合分类器来逼近理想的联合假设。实验表明，MCDA在无监督域自适应中表现出色，优于现有方法。
摘要由CSDN通过智能技术生成

文章目录

前言

  • 文章来自2019年的PRletter
  • 本文是本人领域自适应与最优传输系列论文的第32篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms，希望各位大佬们不吝点赞，给个Star哦~

摘要

  • 在无监督域自适应（DA）中，1旨在从标记的源数据和完全未标记的目标示例学习目标域上误差较小的模型。在这种情况下，标准泛化边界促使我们最小化三项之和：（a）源真实风险，（b）源域和目标域之间的差异，以及（
了解本专栏 订阅专栏 解锁全文 超级会员免费看
CtrlZ1
关注
专栏目录
订阅专栏
这是最优传输理论（optimal transport theory）实现的工具箱，里面包含了完整的matlab代码。
11-01
这是最优传输理论（optimal transport theory）实现的工具箱，里面包含了完整的matlab代码。代码绝对可行！！！
2020 Domain Adaptation 最新论文：插图速览（三）
u014546828的博客
11-30 3308
2020 Domain Adaptation 最新论文：插图速览（三） 目录 Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation Every Pixel Matters: Center-aware Feature Alignment for Domain Adaptive Object Detector A Balanced and Uncertainty-aware Approach for P
最优传输论文(四)Deep multi-Wasserstein unsupervised domain adaptation
qq_42595295的博客
12-09 552
在域适应过程中，标准泛化边界提示我们最小化三个项的总和:(a)源域真实风险，(b)源和目标域之间的散度，©。本文中提出MCDA方法——最小化前两项，同时控制第三项，从而解决忽略第三项带来的问题。MCDA受益于高度自信的目标样本(使用softmax预测)，以最小化按类别的Wasserstein距离，并有效地。
【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）
热门推荐
xf__mao的博客
01-14 2万+
一、Domain adaptation 在开始介绍之前，首先我们需要知道Domain adaptation的概念。Domain adaptation，我在标题上把它称之为域适应，但是在文中我没有再翻译它，而是保持它的英文原意，这也有助于我们更好的理解它的概念。 Domain adaptation的目标是在某一个训练集上训练的模型，可以应用到另一个相关但不相同的测试集上。 对这个问题列
CVPR2021论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
unbalanced_gromov_wasserstein:Gromov-Wasserstein距离到不平衡最优运输设置的实现
04-06
不平衡的Gromov-Wasserstein散度该存储库包含在》一文中提出 -Wasserstein发散的pytorch上的实现。 它允许比较配备成本矩阵的加权点云。 如果您将这项工作用于研究，请引用以下文章： @article{sejourne2020...
Wasserstein 距离：用于计算 1D 中的 1- 和 2-Wasserstein 距离的代码-matlab开发
05-31
此代码计算通过样本给出的两个均匀概率分布之间的 1-Wasserstein 距离和 2-Wasserstein 距离。 从图形上讲，它测量输入向量的（归一化）直方图之间的距离。 有关更多详细信息，请参阅 GitHub 存储库。
wasserstein-gan:Wasserstein GAN纸的PyTorch实现
05-18
Wasserstein GAN（WGAN）论文的PyTorch实现。 该项目正在尝试出于教育目的复制LSUN和CIFAR10实验。 在这个项目中，我们还可以看到深度卷积生成对抗网络（DCGAN）如何演变成WGAN。 注意：DCGAN最初是使用Keras 1...
多源动态最优潮流分布式鲁棒优化 关键词：分布式鲁棒优化 风光不确定性 最优潮流 Wasserstein距离 仿真软件：matla
最新发布
10-07
关键词：分布式鲁棒优化 风光不确定性 最优潮流 Wasserstein距离 仿真软件：matlab+yalmip+cplex 参考文档：《多源动态最优潮流的分布鲁棒优化方法》 主要内容：针对大规模清洁能源接入电网引起的系统鲁棒性和经济性...
matlabfig生成代码-StochasticWassersteinBarycenters:论文“随机Wasserstein重心”的实施
05-26
最优输运（OT）定义了一种强大的方法，可以使用Wasserstein距离给出的概率分布空间上的度量标准来比较和变换分布。 特别地，Wasserstein重心可以理解为概率分布空间中的弗雷歇特方法。 我们提出了一种新的随机算法来...
Julia的 最优传输算法_julia_代码_下载
06-10
这个包提供了计算最优传输算法的一些Julia实现，包括 Earth-Mover (Wasserstein) 距离、用于熵正则化最优传输的 Sinkhorn 算法以及一些变体或扩展。 值得注意的是，OptimalTransport.jl 通过CUDA.jl和NNlibCUDA.jl提供 GPU 加速
POT：Python最佳传输-Python开发
05-25
POT：Python最优传输此开源Python库为信号，图像处理和机器学习的与最优传输相关的优化问题提供了多个求解器。 网站和文档：h POT：Python最佳传输此开源Python库为信号，图像处理和机器学习的与最佳传输相关的优化问题提供了多个求解器。 网站和文档：https://PythonOT.github.io/源代码（MIT）：https://github.com/PythonOT/POT POT提供以下通用OT解算器（链接到示例）：OT Network Simplex解算器，用于线性程序/推土机距离[1]。 条件梯度[6]和广义条件
OTK:最优传输内核嵌入的Pytorch实现
05-22
最优传输核嵌入 该存储库实现了以下论文中描述的最佳传输内核嵌入（OTKE） GrégoireMialon *，Dexiong Chen *，Alexandre d'Aspremont，Julien Mairal。 。 ICLR 2021。 *平等贡献 TLDR； 当面对由大量特征（如生物序列，自然语言句子甚至图像）组成的数据时，本文证明了我们的OTK嵌入优于常规聚合方法（例如，平均池，最大池或注意力）的优势。 无论有无标签，都可以学习我们的嵌入，这在有注释的数据很少的情况下特别有用，并且可以单独用作内核方法或较大模型中的一层。 关于模块的简短描述 主体模块在otk/layers.py作为OTKernel 。 它通常与非线性层一起使用。 与非线性层结合，它将序列或图像张量作为输入，并基于最佳传输执行非线性嵌入和自适应池化（注意+池化）。 具体来说，给定序列x作为输入，它首先计算从x到某个参
最优传输学习及问题总结
qq_45759229的博客
01-20 544
内容待会补充，这个还没想好。
【迁移学习】Wasserstein Distance Guided Representation Learning for Domain Adaptation 论文解读
zkq_1986的博客
12-10 3752
paper：Wasserstein Distance Guided Representation Learning for Domain Adaptation Shen J, Qu Y, Zhang W, et al. Wasserstein Distance Guided Representation Learning for Domain Adaptation[J]. AAAI-2017. ...
2018 CVPR GAN 相关论文调研 （自己分了下类，附地址哦）
fly
09-20 6140
2018 CVPR GAN 相关论文调研 风格迁移 1. PairedCycleGAN: Asymmetric Style Transfer for Applying and Removing Makeup （给人脸化妆的风格转移） http://openaccess.thecvf.com/content_cvpr_2018/papers/Chang_PairedCycleGAN_Asym...
最优传输论文（四）：DeepJDOT Deep Joint Distribution Optimal Transport for Unsupervised Domain Adaptation论文原理
lyy的博客
05-12 1011
目录前言原理阐述文章介绍前言模型结构Solving the optimization problem with stochastic gradients实验论证（Experiments and Results）Digit classificationOffice-HomeVisDA-2017 前言 本文属于我最优传输系列里的四篇，该专栏用于记录本人研究生阶段相关最优传输论文的原理阐述以及复现工作。 本专栏的文章主要内容为解释原理，论文具体的翻译及复现代码在文章的github中。 原理阐述 文章介绍
最优传输问题与Sinkhorn算法
一个学习困难症患者的破博客
02-01 7021
最近看到一篇特征匹配相关的论文，思想是将特征匹配问题转化为最优传输问题并用Sinkhorn算法求解，于是我去学习了一下相关知识
最优传输之浅谈
Hungryof的专栏
12-03 6522
总说 最近最优传输很火啊，而且用处很大。这里简单记录，到底讲了啥问题，以及解法和应用。 简单理解：其实就是把 AAA数据迁移到BBB上，当然了。你可以理解成两堆土，从AAA土铲到另外一个地方，最终堆成BBB土。就像是以前初中学的线性规划一样的：我3个城市（A, B, C）有1, 0.5, 1.5吨煤，然后要运到2个其他城市，这两个城市(C, D)分别需要2，1吨煤。然后当然，不同城市到不同的费用不同，让你算最优运输方案和代价。 基本概念 Probability vector / Histogram （概率向
超松弛最优传输近似点算法：提升收敛速度与精度
"吴凡和刘向阳提出的超松弛的最优传输近似点算法，旨在改进Sinkhorn算法在熵正则化中的应用，提高收敛速度和精度，适用于机器学习，特别是深度学习中的优化问题，如生成对抗网络（GAN）的训练。 在优化理论和机器...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CtrlZ1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值