域适应是对于存在一些有少量或者没有标注数据的领域完成针对性任务的一个有效手段,目前对于很多任务只要有大量标注数据都能达到比较好的效果,然而标注数据的成本是高昂的,尤其是对某些专业性强的术语多的领域,标注就更困难。因此如何将已经在别的领域训练过得模型用到其他领域非常值得研究。
01 域适应情感分类论文:Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning,AAAI2020
以往的学习方法是特征提取器只在源域学习,缺乏目标域的学习,作者提出一种基于深度对抗学习的域适应情感分类方法,使用域识别器保证特征提取器可以获得域不变特性,标签探测器通过每组的分类器生成的情感预测探索目标域中的情感极性并指导特征提取器在每个组中的学习。
02 多源域适应视觉的情感分类模型:Multi-Source Domain Adaptation for Visual Sentiment Classification, AAAI2020
在多个源域中训练覆盖面更广的特征,提出多源感知生成对抗网络(MSGAN)