![](https://img-blog.csdnimg.cn/1f6a3255bff1473ba8a818dd24637893.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
最优传输
文章平均质量分 90
整理最优传输论文笔记
shawchan9
吉林大学计算机系研究生,人工智能方向
展开
-
最优传输论文(五)Multi-Adversarial Domain Adaptation
这篇文章是根据经典DANN衍生出来的,DANN是只有一个域鉴别器,而MADA对应每个类都有一个域鉴别器,基本原理都一样,建议先看看DANN,学会梯度翻转层,看明白代码再来看这篇文章。需要注意的一点操作是给生成特征Gf (x)进行加权得到yk i *Gf(xi),不仅能将无关的类通过概率过滤掉,而且能训练出,将每个点xi与最相关的类进行对齐,避免了负迁移。原创 2022-12-11 17:47:14 · 875 阅读 · 0 评论 -
最优传输论文(四)Deep multi-Wasserstein unsupervised domain adaptation
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。原创 2022-12-09 00:13:47 · 534 阅读 · 0 评论 -
最优传输论文(七)Reliable Weighted Optimal Transport for Unsupervised Domain Adaptation
见前言原创 2023-01-05 22:49:02 · 674 阅读 · 0 评论 -
最优传输论文(二)Deep Joint Distribution Optimal Transport for Unsupervised Domain Adaptation
DeepJDOT是基于ot的将特征和标签联合的差异度量进行优化的方法,Deep的含义为使用CNN构造特征提取器g和分类器f。原创 2022-12-01 17:40:36 · 1048 阅读 · 1 评论 -
最优传输论文(六)Multi-Source Distilling Domain Adaptation
本文提出了一种多源域适应方法,方法分为四步:1.为每个源域分别训练特征提取器和分类器。2.学习目标编码器F T i将目标特征映射到源域空间。类似于GAN对抗训练方式,1)训练Di来最大化从F T i编码后的目标特征和源特征的Wasserstein距离,目的是将源域目标域特征进行区分。2)训练F T i来使D i出错,最小化F T i编码后目标特征和源特征的Wasserstein距离,将二者进行混淆3.选取Wasserstein距离目标特征近的一半源域样本微调源分类器Ci。原创 2022-12-26 22:21:47 · 390 阅读 · 0 评论 -
最优传输论文(一)Sliced Wasserstein Discrepancy for Unsupervised Domain Adaptation
sliced就是投影,sliced wasserstein由于计算成本小,可作为差异度量指导特征生成器和分类器的优化。原创 2022-11-29 22:03:20 · 2630 阅读 · 0 评论 -
最优传输论文(三) Normalized Wasserstein for Mixture Distributions with Applications in Adversarial Learning
对于混合物分布,已建立的距离度量,如Wasserstein距离,没有考虑到不平衡的混合物比例。因此,即使两个混合物分布具有相同的混合物成分但不同的混合物比例,它们之间的Wasserstein距离也会很大。在本文中,我们通过引入归一化Wasserstein测度来解决这个问题。其关键思想是引入混合比例作为优化变量,有效地规范化Wasserstein公式中的混合比例。原创 2022-12-05 16:01:34 · 483 阅读 · 0 评论 -
最优传输论文(八)Enhanced Transport Distance for Unsupervised Domain Adaptation
1.将Kantorovich潜在网络进行参数化,并根据深度特征返回最优传输计划g(f(x))用神经网络g来表示潜在特征对偶变量v,对应参数Wg , 优化传输计划πε的过程转化为优化网络g的过程.对网络g进行参数优化后,利用当前参数Wg计算出最优传输距离Wε(µ,ν)2.利用attention模块重新衡量传输距离,对距离矩阵进行重加权操作,使一个mini-batch实现真实的数据分布3.最终,通过Kantorovich潜在网络计算得到的g(f t j)与重加权后的距离矩阵c(f s i,f t j)得原创 2023-01-04 20:29:48 · 547 阅读 · 0 评论