<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SleepBuTa的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SleepBuTa</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SleepBuTa]]></copyright><item><title><![CDATA[迁移学习——Aggregating Randomized Clustering-Promoting Invariant Projections for Domain Adaptation]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/126587685</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/126587685</guid><author>SleepBuTa</author><pubDate>Mon, 12 Sep 2022 14:11:31 +0800</pubDate><description><![CDATA[《Aggregating Randomized Clustering-Promoting Invariant Projections for Domain Adaptation》学习
IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 41, NO. 5, MAY 2019
无监督域适应的目的是利用有标记的源数据和无标记的目标数据进行学习。以往的方法通过迭代寻找低维投影来提取不变特征，并通过在源数据上建立分类器来获得伪目标]]></description><category></category></item><item><title><![CDATA[迁移学习——Stable Learning via Sample Reweighting]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/126475644</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/126475644</guid><author>SleepBuTa</author><pubDate>Mon, 29 Aug 2022 16:29:24 +0800</pubDate><description><![CDATA[《Stable Learning via Sample Reweighting》学习
arXiv研究了具有模型错误描述偏差的线性预测模型的学习问题。在这种情况下，输入变量之间的共线性可能会增大参数估计的误差，当训练分布和检验分布不匹配时，会导致预测结果不稳定。
本文从理论上分析了这一基本问题，并提出了一种减少输入变量间共线性的样本加权方法。
我们的方法可以看作是对数据的预处理，以改善设计矩阵的条件，然后它可以结合任何标准的学习方法进行参数估计和变量选择。当测试数据的分布与训练数据的分布不一致时，大多数机器学]]></description><category></category></item><item><title><![CDATA[迁移学习——A Tutorial on Principal Component Analysis]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/126396198</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/126396198</guid><author>SleepBuTa</author><pubDate>Mon, 22 Aug 2022 23:25:46 +0800</pubDate><description><![CDATA[《A Tutorial on Principal Component Analysis》学习
arXiv这个手稿集中在建立一个坚实的直觉如何和为什么主成分分析工作。这手稿结晶这一知识从简单的直觉，背后的数学PCA。本教程不回避非正式地解释思想，也不回避数学。我们希望通过解决这两个方面的问题，各级读者将能够更好地理解PCA，以及何时、如何和为什么应用这种技术。主成分分析(PCA)是现代数据分析的标准工具——在从神经科学到计算机图形学的不同领域——因为它是一种简单的、非参数的方法，可以从混乱的数据集中提取相关信]]></description><category></category></item><item><title><![CDATA[迁移学习——Balanced Distribution Adaptation for Transfer Learning]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/126370853</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/126370853</guid><author>SleepBuTa</author><pubDate>Wed, 17 Aug 2022 23:08:13 +0800</pubDate><description><![CDATA[《Balanced Distribution Adaptation for Transfer Learning》学习
2017 IEEE International Conference on Data Mining
迁移学习通过利用源领域的知识对标签较少或没有标签的目标领域进行标注，取得了良好的效果。现有的方法往往寻求最小化域之间的分布差异，如边缘分布、条件分布或两者兼有。然而，现有算法往往对这两种距离一视同仁，导致实际应用中性能不佳。此外，现有的方法通常假设数据集是平衡的，这也限制了它们在不平衡任务上的]]></description><category></category></item><item><title><![CDATA[迁移学习——Scatter Component Analysis]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/126166446</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/126166446</guid><author>SleepBuTa</author><pubDate>Tue, 16 Aug 2022 17:29:16 +0800</pubDate><description><![CDATA[《Scatter Component Analysis: A Unified Framework for Domain Adaptation and Domain Generalization》学习
IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
两个密切相关的框架，域自适应和域泛化，与此类任务有关，其中这些框架之间的唯一区别是未标记目标数据的可用性：域自适应可以利用未标记目标信息，而域泛化不能。
我们提出了散射分量分析（SCA）]]></description><category></category></item><item><title><![CDATA[迁移学习——Joint Geometrical and Statistical Alignment for Visual Domain Adaptation]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/126149480</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/126149480</guid><author>SleepBuTa</author><pubDate>Thu, 04 Aug 2022 20:45:17 +0800</pubDate><description><![CDATA[《Joint Geometrical and Statistical Alignment for Visual Domain Adaptation》学习
2017 CVPR
本文提出了一种用于跨域视觉识别的无监督域自适应算法。我们提出了一个统一的框架，可以在统计和几何上减少域之间的偏移，称为联合几何和统计对齐（JGSA）。
具体而言，我们学习了两种耦合投影，它们将源域和目标域数据投影到低维子空间中，在低维子平面中，几何位移和分布位移同时减少。目标函数可以以闭合形式有效求解。
大量实验证明，在合成数据集和三种]]></description><category></category></item><item><title><![CDATA[迁移学习——Distant Domain Transfer Learning]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/126092603</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/126092603</guid><author>SleepBuTa</author><pubDate>Wed, 03 Aug 2022 21:31:57 +0800</pubDate><description><![CDATA[与现有的假设源域和目标域之间存在密切关系的迁移学习问题不同，在分布式时序分类问题中，目标域可以与源域完全不同。受人类认知过程的启发，两个看似无关的概念可以通过逐步学习中间概念来连接，我们提出了一种选择性学习算法（SLA）来解决DDTL问题，其中监督自动编码器或监督卷积自动编码器作为处理不同类型输入的基础模型。直观地说，SLA算法从中间域中逐渐选择有用的未标记数据作为桥梁，以打破两个遥远域之间传递知识的巨大分布差距。...]]></description><category></category></item><item><title><![CDATA[迁移学习——Discriminative Transfer Subspace Learning via Low-Rank and Sparse Representation]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/126035531</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/126035531</guid><author>SleepBuTa</author><pubDate>Sun, 31 Jul 2022 23:41:02 +0800</pubDate><description><![CDATA[《Discriminative Transfer Subspace Learning via Low-Rank and Sparse Representation》学习
IEEE TRANSACTIONS ON IMAGE PROCESSING
在本文中，我们讨论了在目标域中没有可用标签的无监督域转移学习问题。
我们使用变换矩阵将源和目标数据传输到一个公共子空间，其中每个目标样本可以由源样本的组合表示，这样来自不同域的样本可以很好地交错。
这样，减少了源域和目标域的差异。通过对重建系数矩阵施加联合低秩和稀疏]]></description><category></category></item><item><title><![CDATA[迁移学习——Transitive Transfer Learning]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/126012803</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/126012803</guid><author>SleepBuTa</author><pubDate>Thu, 28 Jul 2022 15:07:52 +0800</pubDate><description><![CDATA[《Transitive Transfer Learning》学习
Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
如果两个领域之间的重叠很少，那么在这些领域之间进行知识转移就不会有效。
受人类传递性推理和学习能力的启发，我们研究了一个新的学习问题:传递性迁移学习(以下简称TTL)。
在这个问题中，两个看似无关的概念可以通过一系列使用辅助概念的中间桥梁连接起来。]]></description><category></category></item><item><title><![CDATA[迁移学习——Transfer Joint Matching for Unsupervised Domain Adaptation]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/125981169</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/125981169</guid><author>SleepBuTa</author><pubDate>Wed, 27 Jul 2022 13:29:54 +0800</pubDate><description><![CDATA[以往的研究大多探索了两种独立的领域适应学习策略特征匹配和实例重新加权。在本文中，我们证明了当域差异很大时，这两种策略都是重要且不可避免的。因此，我们提出了一种新的传输联合匹配（TJM）方法，在统一的优化问题中对其进行建模。具体而言，TJM旨在通过联合匹配特征并在主降维过程中重新加权跨域实例来减少域差异，并构建新的特征表示，该表示对分布差异和无关实例都是不变的。在跨域问题中，源数据和目标数据通常从不同的概率分布中采样。图1展示了一个困难的设置迁移联合匹配无限维再生核希尔伯特空间l2,...]]></description><category></category></item><item><title><![CDATA[迁移学习—— Transfer Feature Learning with Joint Distribution Adaptation]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/125900933</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/125900933</guid><author>SleepBuTa</author><pubDate>Mon, 25 Jul 2022 18:31:24 +0800</pubDate><description><![CDATA[《 ICCV Transfer Feature Learning with Joint Distribution Adaptation》论文学习
2013 IEEE International Conference on Computer Vision
迁移学习是计算机视觉中的一种有效技术，可以利用源域中丰富的标记数据为目标域构建准确的分类器。
在本文中，我们提出了一种新的迁移学习方法，称为联合分布自适应（JDA）。
具体来说，JDA旨在在主降维过程中共同适应边缘分布和条件分布，构造新的特征表示，该表示对于]]></description><category></category></item><item><title><![CDATA[迁移学习——Robust Visual Domain Adaptation with Low-Rank Reconstruction]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/125686103</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/125686103</guid><author>SleepBuTa</author><pubDate>Wed, 20 Jul 2022 21:16:42 +0800</pubDate><description><![CDATA[本文提出了一种低秩重构方法来减小域分布差异。我们的方法在适应过程中捕捉源样本的内在相关性，同时发现源域中无法适应的噪声和异常值，使其比以前的方法具有更强的鲁棒性。我们将问题表述为一个约束核范数和l2,1l2,1​范数最小化目标，然后采用增广拉格朗日乘子(ALM)方法进行优化。在各种视觉适应任务上的大量实验表明，所提出的方法一致且显著优于现有的领域适应方法。视觉分类常面临数据泛滥和标签稀缺的困境，为了解决这个问题，人们用互联网上的数据样本丰富有限的训练数据样本收集。XsX。...]]></description><category></category></item><item><title><![CDATA[迁移学习——Low-Rank Transfer Subspace Learning]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/125579938</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/125579938</guid><author>SleepBuTa</author><pubDate>Fri, 08 Jul 2022 21:10:12 +0800</pubDate><description><![CDATA[《Low-Rank Transfer Subspace Learning》论文学习
迁移学习的目的是通过处理源领域和目标领域之间的细微差异，找到将学习到的知识从源领域转移到目标领域的方法。
在本文中，我们提出了一种新的框架，通过低秩表示约束来解决上述知识转移问题。
在Yale B、CMU PIE、UBKinFace数据库上的大量实验验证了所提出方法的有效性。...]]></description><category></category></item><item><title><![CDATA[迁移学习笔记——Adapting Component Analysis]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/125496256</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/125496256</guid><author>SleepBuTa</author><pubDate>Sat, 02 Jul 2022 20:48:10 +0800</pubDate><description><![CDATA[《Adapting Component Analysis》文章学习
]]></description><category></category></item><item><title><![CDATA[迁移学习—Geodesic Flow Kernel for Unsupervised Domain Adaptation]]></title><link>https://blog.youkuaiyun.com/SleepBuTa/article/details/125386172</link><guid>https://blog.youkuaiyun.com/SleepBuTa/article/details/125386172</guid><author>SleepBuTa</author><pubDate>Tue, 28 Jun 2022 00:24:50 +0800</pubDate><description><![CDATA[对《Geodesic Flow Kernel for Unsupervised Domain Adaptation》论文学习
测地流核模型通过集成无限多个子空间来描述从源域到目标域的几何和统计特性的变化，从而实现域移动。该方法自动推断重要的算法参数。提出了能自动选择最优源域的度量。引入领域自适应如何利用数据集中的子空间怎样去选择匹配目标域的源域文章提出基于核的域适应方法，测地线流核（geodesic flow
kernel ）是在源域和目标域的子空间上计算的，该方法提取在领域内不变的子空间方向。
.....]]></description><category></category></item></channel></rss>