最优传输论文（三十七）：GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation论文原理

最新推荐文章于 2022-11-07 10:21:27 发布
最新推荐文章于 2022-11-07 10:21:27 发布
阅读量465 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 自然语言处理 机器学习
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/120474106
版权
本文提出了一种名为GCAN的图卷积对抗网络，用于无监督的领域适应。GCAN通过联合建模数据结构、域标签和类标签信息，实现端到端的模型训练，以减少源域和目标域之间的差异。模型包含结构感知对齐、域对齐和类质心对齐三种对齐机制，以学习领域不变和语义表示。实验结果显示，GCAN在多个标准基准上相对于其他无监督方法表现出优越性能。
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CVPR
  • 本文是本人迁移学习与最优传输系列论文的第37篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms，该github是以模型为单位的，如果想以项目为单位，请移步：https://github.com/CtrlZ1/Domain-Adaptive-CodeBase，希望各位大佬们不吝点赞，给个Star哦~

摘要

  • 为了连接源域和目标域以进行域适配，有三种重要类型的信息，包括数据结构、域标签和类标签。大多数现有的领域适应方法仅利用上述一种或两种类型的信息，不能使它们相互补充和增强。与现有方法不同，我们提出了一种端到端图卷积对抗网络（GCAN），
了解本专栏 订阅专栏 解锁全文 超级会员免费看
CtrlZ1
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
Re-weighted adversarial adaptation network for unsupervised domain adaptation
lihuahuanluoluo的博客
03-07 1454
摘要主要强调以下几点： 1. 当domain discrepancy比较大的时候，文章中方法的性能比其余方法要好的多（实验部分的确如此） 2. re-weighted：在训练discriminator D的时候，每一个source sample并不是同等重要，weight取决于label 3. 在匹配source sample和target sample的特征分布的时候，用的是基于EM 距离...
GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation
m0_51496961的博客
04-11 3450
【论文笔记】用于无监督领域自适应的图卷积对抗网络GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation
GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation CVPR 2019论文笔记
qq_40491207的博客
03-26 2231
文章目录摘要1. 简介 摘要 为了在源域和目标域之间构建交互桥梁实现域自适应（domain adaptation），现阶段有三种重要的信息类型:数据结构、域标签和类标签。现有的领域适应方法大多只利用了上述信息的一种或两种类型，不能使它们相互补充和增强。与现有的方法不同，我们提出了一种端到端的图卷积对抗网络(GCAN)，通过在统一的深度模型中对数据结构、域标签和类标签进行联合建模，实现无监督域自适应...
Domain adversarial graph convolutional network for fault diagnosis 论文阅读笔记
weixin_45868623的博客
11-07 612
然而，现有的基于UDA的方法大多只使用前两种信息，而忽略了数据结构的建模，使得深层网络提取的特征中包含的信息不完整。然后，将得到的图输入到GCN中，将数据结构信息嵌入到节点特征中。为了获得节点特征矩阵X，首先利用CNN（例如LeNet）从输入数据中捕获特征，并且提取的特征映射可以表示为X=CNN(Xmput)，其中Ximpur是一个小批量输入矩阵。通过最小化定义的总体目标函数和优化DAGCN的参数，可以获得域不变和区分性特征，从而使用标记源域数据训练的分类器能够正确地对未标记目标域的数据进行分类。
GCAN：使用图注意力网络来做社交媒体虚假新闻检测
qq_44685150的博客
04-03 1081
GCAN：使用图注意力网络来做社交媒体虚假新闻检测 Abstract 主要任务：给定短文本的推特和一系列用户的转播链来判断是不是虚假新闻，并且对虚假新闻检测做一些解释性研究。 模型：GCAN 主要包括GCN，co-attention模块 Introduction 基于的思想主要是源推特的情感和观点应该会被用户的参与和交互反映（主要强调了交互特征的作用），集体智能！ 现有的虚假新闻检测方法主要需要很丰富的用户评论来补充和分析推特的观点，检测虚假新闻，还有些需要很长的文本来提取信息。现在最好的模型是dEFEND
关于《Domain Adaptation with Adversarial Training and Graph Embeddings》的理解
coolerzZ的博客
05-23 1893
使用对抗学习和图像嵌入的域适应学习本文将基于对抗学习和图像嵌入的域适应运用于危机状态下的舆情分析，主要处理的前提是：源域有labeled的数据和unlabeled的数据，而目标域unlabeled。模型则包含基于域适应的对抗学习和基于图像的半监督学习。数据来源是 two real-world crisis datasets collected from Twitter。作者做这个模型的立意是为了能...
ACL 2020 论文——谣言检测_FakeNewsDetection_目标检测_GCAN_谣言_谣言检测_
10-01
为了实现这一目标，我们提出了一种新的基于神经网络的模型--图感知协同注意网络(GCAN)。在真实推文数据集上进行的广泛实验表明，GCAN的平均准确率比最先进的方法高出16%。此外，案例研究还表明，GCAN可以给出合理的...
GCAN-203V5 蓝牙5.0转CAN V1.0.rar
12-02
《GCAN-203V5：蓝牙5.0到CAN转换器的探索与应用》 在现代工业自动化和物联网(IoT)领域，数据通信的重要性不言而喻。GCAN-203V5是一款集成了蓝牙5.0无线技术与控制器局域网(CAN)接口的转换设备，它允许设备之间通过...
GCAN-204 ModbusRtu转CAN 用户手册.pdf
10-29
GCAN-204 ModbusRTU转CAN用户手册涉及的知识点涵盖了产品的功能、性能特点、典型应用场景、安装与配置、应用实例以及注意事项等多个方面。下面详细阐述这些知识点： 1. 功能简介 1.1 功能概述 GCAN-204模块是一个...
①GCAN Tools调试分析软件
06-11
【GCAN Tools调试分析软件详解】 GCAN Tools是一款专业级的汽车诊断与数据分析软件，尤其在CAN总线系统中有着广泛的应用。CAN（Controller Area Network）总线是汽车电子设备间通信的重要协议，用于实现车辆内部...
GCAN Tools调试分析软件使用说明
最新发布
06-11
GCAN (Generic CAN) Tools 是一款强大的CAN（Controller Area Network）总线通信协议的调试与分析软件。在汽车电子、工业控制、物联网等领域，CAN总线作为数据传输的重要手段，其稳定性和效率至关重要。GCAN Tools ...
（CAN）Contrastive Adaptation Network for Unsupervised Domain Adaptation笔记
BEA_D的博客
04-19 657
（CAN）Contrastive Adaptation Network for Unsupervised Domain Adaptation笔记 动机： 方法： 提出了CDD度量函数，既可以保证类间差异最大化，又可以 保证类内差异最小化： Contrastive Adaptation Network (CAN)： 最小化多个全连接层的CDD距离： 最小化源域数据的交叉熵损失： 总的目标函数： CAN的优化： 需要对目标标签假设和特征表示进行联合优化。在每次迭代中，固定当前的特征表示，
图上的迁移学习
weixin_40239306的博客
09-23 3756
图上的迁移学习常用概念Network Transfer Learning via Adversaria Domain Adaptation with Graph Convolution ——AdaGCN算法笔记AdaGCN 基本思想AdaGCN 基本定义及符号说明AdaGCN 基本框架实验DANE: Domain Adaptive Network Embedding——DANE算法笔记DANE 基本思想DANE 符号表示定义DANE 基本框架理论分析实验 常用概念 交叉网络节点分类问题：给定一个全部标记或者
A Hierarchical Spatio-Temporal Graph Convolutional Neural Network for Anomaly Detection in Videos
BENULL的博客
12-27 1269
A Hierarchical Spatio-Temporal Graph Convolutional Neural Network for Anomaly Detection in Videos 单位：北京航空航天大学 会议：TCSVT 论文地址：arxiv 提出的Spatio-Temporal Graph Convolutional Neural Network (HSTGCNN) 由多个分支组成，这些分支对应于不同级别的图表示。高阶图表示编码人的轨迹和多个人之间的交互，而低阶图表示编码每个人的局部身
交通预测论文笔记：Spatio-Temporal Graph Convolutional Networks: A Deep Learning Frameworkfor Traffic Forecast
qq_40206371的博客
08-16 1783
0 abstract 由于交通数据极强的非线性和复杂性，传统方法很难进行中长期的交通预测。 我们提出了STGCN结构来解决交通领域的预测问题。我们的模型建立在卷积之上，有更快的训练速度和更少的参数。 1 introduction 交通预测问题，根据预测时间片的长度，可以分为：短期（5~30分钟）和长期（30分钟以上）。大部分统计方法在短期预测上效果很好，但是因为交通流数据的不确定性和复杂性，这些模型在长期预测上效果很一般。 早期关于中...
【CVPR2019】论文完整列表一
热门推荐
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
神经网络代码解读_NeurIPS2020上图神经网络好文
weixin_35427210的博客
01-07 3111
今年的Neurips正在进行，图神经网络也是今年的一大热点，这里总结一下GNN的文章，贴个链接和概述备忘，如果有错误的或者遗漏的文章请大家一定指出来。整理不易，点个赞呗再走呗，欢迎关注我们的新专栏图神经网络实战，里面会更新一些图神经网络代码解读和最新的进展。如果大家有什么需要分享的，也欢迎投稿本专栏，感激不尽。GNN的测试：Design Space for Graph Neural Network...
【论文推送】跨域学习、跨域小样本学习Cross-Domain(持续更新...)
诸葛灬孔暗
08-13 4191
深度神经网络(DNN)的泛化性能相当依赖于训练集的规模(size)和丰富性(variations). 但是在很多场景下无法搜集到如此多的数据, 如皮肤病, 卫星图片(飞机残骸).尽管每种特殊的情况发生的概率很低, 人为处理的成本也很低, 但当我们有大量的”特殊情况”时, 问题就变得复杂了起来. 如何利用一个或一些成熟域上的先验知识，去解决另一个样缺少样本域上的复杂任务是跨域少样本学习 (Cross-Domain Few Shot Learning)研究的主要问题。 本文主要记录该领...
【论文笔记06】Domain-Adversarial Training of Neural Networks, JMLR 2016
weixin_45632492的博客
03-27 1611
目录导引系列传送Domain-Adversarial Training of Neural Networks1 AbstractReference 系列传送 【Active Learning】 【论文笔记01】Learning Loss for Active Learning, CVPR 2019 【论文笔记02】Active Learning For Convolutional Neural Networks: A Core-Set Approch, ICLR 2018 【论文笔记03】Variation
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