【AAAI2022】GearNet:弱监督领域自适应的逐步对偶学习

最新推荐文章于 2024-09-14 22:25:23 发布
最新推荐文章于 2024-09-14 22:25:23 发布
阅读量217 收藏 2
点赞数
文章标签： 算法 机器学习 人工智能 深度学习 计算机视觉
原文链接：https://mp.weixin.qq.com/s?__biz=MzI1MjQ2OTQ3Ng==&mid=2247557251&idx=3&sn=756da828f4b1b2f5572cba5d2f40e94a&chksm=e9e0e908de97601e4ade0ffc7a44c98fe641ad4006d463ebd14333bdec7063a3daa1d7286e4d&scene=126&&sessionid=0
版权

4c2f7163a09b2e9207042323c32839ae.png

来源：专知
本文附论文，建议阅读5分钟
本文研究了弱监督域自适应(WSDA)问题。

343804649f9ce0d13718b69d35ed4921.png

本文研究了弱监督域自适应(WSDA)问题，在该问题中，我们只能访问带噪声标签的源域，从源域中我们需要将有用的信息传递到无标签的目标域。虽然对这个问题的研究不多，但大多数研究都只是利用源域到目标域的单向关系。在这篇论文中，我们提出了一个通用的范例叫做GearNet来开发两个领域之间的双边关系。具体而言，我们将两个域作为不同的输入，交替训练两个模型，并使用非对称Kullback-Leibler损耗在同一域选择性地匹配两个模型的预测。这种交互式学习模式能够隐式地消除标签噪声，并利用源域和目标域之间的相关性。因此，我们的GearNet具有极大的潜力来提高各种现有WSDL方法的性能。综合实验结果表明，该系统能够显著提高现有算法的性能。

https://www.zhuanzhi.ai/paper/5181b75bf456c1e5eefb1515bfdf3c19

b7a0bc157b756b71e629dded060417b8.png

eccec2b86d5a73243be75fa415941c7a.png

数据派THU
关注
直播预告 | AAAI 2022：一种基于能量的主动域自适应学习方法
AI_Drive的博客
03-08 3305
「AI Drive」是由 biendata 和 PaperWeekly 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。 本期 AI Drive，我们邀请到北京理工大学博士生谢斌辉，为大家在线解读其发表在 AAAI 2022的最新研究成果：一种基于能量的主动域自适应学习方法。对本期主题感兴趣的小伙伴，3 月 8 日（周二）晚 7 点，我们准时相约B 站AI_Dri...
直播预告|AAAI 2022：协调异质医学图像引起的局部和全局偏移的联邦学习算法
AI_Drive的博客
03-18 4692
​「AI Drive」是由 biendata 和 PaperWeekly 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。 本期 AI Drive，我们邀请到香港中文大学在读博士生-姜美锐，为大家在线解读其发表在 AAAI 2022的最新研究成果：协调异质医学图像引起的局部和全局偏移的联邦学习算法。对本期主题感兴趣的小伙伴，3 月 22 日（周二）晚 7 点，我们准...
域适应系列2：Transferable Curriculum for Weakly-Supervised Domain Adaptation（AAAI 2019）
weixin_43673376的博客
09-22 783
1、Transferable Curriculum for Weakly-Supervised Domain Adaptation         论文提出可迁移的课程学习（结合课程学习+对抗学习）方法，解决弱监督域适应中源域样本噪声以及domain shift 的问题。这篇文章是从数据角度出发，是弱监督的域适应方法。         实际的域适应任务，源域的数据不太可能都是高质量的，也就说真正做域适应任务时，收集的数据肯定是有
探索生命科学的未来：GearNet - 几何感知关系图神经网络
gitblog_00012的博客
05-28 488
探索生命科学的未来：GearNet - 几何感知关系图神经网络 GearNet项目地址:https://gitcode.com/gh_mirrors/ge/GearNet 在生物信息学的世界中，理解蛋白质结构与功能的关系是至关重要的。近期，由多所知名机构的研究人员推出的开源项目GearNet（Geometry-Aware Relational Graph Neural Network）为我们提供...
TorchProtein教程--预训练的蛋白质结构表示(5)
发呆的比目鱼的博客
09-24 942
TorchProtein教程--预训练的蛋白质结构表示(5)
学术速运|利用基于结构的编码器和预训练来增强蛋白质语言模型
weixin_45468600的博客
03-28 255
Enhancing Protein Language Models with Structure-based Encoder and Pre-training
GearNet：几何感知的关系图神经网络
gitblog_00069的博客
08-16 426
GearNet：几何感知的关系图神经网络 GearNet项目地址:https://gitcode.com/gh_mirrors/ge/GearNet 在生物信息学和机器学习的交叉领域，蛋白质结构预测和分析一直是研究的热点。今天，我们向您推荐一个前沿的开源项目——GearNet，这是一个几何感知的关系图神经网络，专门用于蛋白质表示学习。GearNet不仅在ICLR'2023上获得了认可，而且在多个...
无监督领域自适应的20字中文标题：图自适应知识转移模型的跨领域学习方法
无监督域自适应已经引起了人们的关注，它通过借用现有的良好建立的源领域知识来促进未标记的目标学习。最近的实践领域适应管理提取有效的功能，结合伪标签的目标域，以更好地解决跨域分布的分歧。然而，现有的方法...
"轻量级校准器：无监督域自适应中的可分离组件
4东北大学，美国摘要现有的领域自适应方法旨在学习可以在领域之间推广的特征。这些方法通常需要更新源分类器以适应目标域，并且没有正确处理源域和目标域之间的权衡。在这项工作中，而不是训练一个分类器，以适应...
ATLOP:论文“具有自适应阈值和局部上下文池的文档级关系提取”的源代码，AAAI 2021
05-09
AAAI 2021论文代码。 如果您在工作中使用此代码，请引用以下文章： @inproceedings { zhou2021atlop , title = { Document-Level Relation Extraction with Adaptive Thresholding and Localized Context Pooling...
TorchProtein教程--基于结构的蛋白质特性预测(4)
发呆的比目鱼的博客
09-24 607
TorchProtein教程--基于结构的蛋白质特性预测(4)
半监督领域自适应之FADA--Few-Shot Adversarial Domain Adaptation
Adupanfei的博客
12-21 5473
文章目录介绍论文和实现模型架构结果 介绍 Unsupervised domain adaptation (UDA)无监督领域自适应不需要目标域任何标签数据，但是需要大量的目标域数据才能适应数据的分布，并没有任何的语义信息（标签）。半监督的领域适应只需要少量的目标域标签数据就能达到超过UDA的性能。实际应用中也更符合要求，我们可以在新的领域得到少量的标签数据。FADA（Few-Shot Advers...
【配准】弱监督(Weakly-Supervised)系列配准论文阅读
m0_37935211的博客
11-01 3996
弱监督系列论文汇总表 序号 发表情况 要点 1 ISBI2018 弱监督配准框架 2 MIA2018 多尺度Dice，新的网络，大量的实验 3 TMI2018 ...
基于领域自适应的语义分割（Domain Adaptation-based Semantic Segmentation）
一亩高粱
10-20 1万+
AdaptSegNet
无监督领域自适应（Unsupervised Domain Adaptation）介绍
热门推荐
tunhuzhuang1836的博客
07-09 3万+
无监督领域自适应（Domain Adaptation）介绍背景相关概念相关工作总结参考 背景 为了解决传统监督学习需要大量人工标注的问题。顾名思义，就是将某个领域或者任务学习好的知识或模式，应用到到新的不同但相关？的领域中，达到可观的效果。比如我们最常见的fine-tuning。 根据目前已有的研究显示，1）深度神经网络可以很好地学习到数据间的可迁移特征，或者叫做域不变（domain in...
计算左边（比自己小的元素）的最长距离
wniuniu_的博客
09-14 95
前言：一般做的题目都是使用单调栈来求出距离这个点最近的那个比这个数大或小的元素，但是如果是需要找到最远的那个元素呢？我们可以用到类似逆序对的思路，我们先进行排序从小到大，接着我们先处理左边，每次维护一个最小的下标。
深度优先算法，广度优先算法，hill climbing，贪心搜索，A*算法，启发式搜索算法是什么，比起一般搜索法算法有什么区别
mimo_mimo的博客
09-10 1130
A算法通过维护一个优先队列（通常是最小堆），并根据启发式函数（如g(n) + h(n)，其中g(n)是从起点到当前点的实际距离，h(n)是从当前点到目标点的估计距离）来评估节点的优先级。它从图的某个顶点V0开始，依次访问V0的各个未被访问过的邻接点，然后从这些邻接点出发，再依次访问它们的未被访问过的邻接点，直到图中所有已被访问过的顶点的邻接点都被访问到。它从当前的节点开始，和周围的邻居节点的值进行比较，如果当前节点不是最大的，就用最高的邻居节点来替换当前节点，从而实现向“山峰”的高处攀爬的目的。
C语言程序设计-练习篇
最新发布
2402_85207276的博客
09-14 553
·三角形的判断 ·使用指针打印数组内容 ·字符串逆序 ·计算求和 ·打印水仙花数
Codeforces Round 969 (Div. 2) C. Dora and C++ （裴蜀定理）
2302_79440616的博客
09-10 394
取模，这样就能够得到所有数的最简形式（可以当成是让所有数尽可能消去。所以在这时候我们就可以让输入的所有数都去对。那么在取模之后我们现在排序，得到的极差就是。可以想到使用同样是需要给出两个定值的。由于这里给出了a和b两个数，我们。的判断，因为不排除有这种情况存在。，那么这里我们还要进行一次。，这样我们会取到最优解。
对象实例挖掘：弱监督目标检测新框架
"这篇文档是商汤科技在AAAI2020年发表的研究论文，主要探讨了弱监督目标检测（Weakly Supervised Object Detection, WSOD）领域的一个新方法——对象实例挖掘（Object Instance Mining, OIM）框架。该框架旨在解决仅...
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
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