专栏首页arxiv.org翻译专栏监督领域自适应:我们一直都在做图形嵌入吗?(CS LG)
原创

监督领域自适应:我们一直都在做图形嵌入吗?(CS LG)

当训练数据和测试数据的分布不同时,机器学习模型的性能往往会受到影响。领域自适应就是缩小数据集之间分布差距的过程。在本文中,我们展示了现有的领域适配方法可以被表述为 Graph Embedding 方法,其中来自源域和目标域的样本的域标签被纳入到用于嵌入的本征图(intrinsic graph)和惩罚图(penalty graph) 的结构中。为此,我们定义了三种最先进的监督领域适应方法的底层本征图和惩罚图。此外,我们提出了通过图嵌入的领域适应方法(DAGE),作为监督域适应的一般解决方案,它可以与各种图结构相结合,用于编码源域和目标域数据之间的成对关系。此外,我们还强调了一些通用性和可重现性问题,这些问题与一些实验设置有关。这些实验设置通常用于评估领域自适应方法的性能。我们提出了一个新的评估设置,以更准确地评估和比较不同的监督领域自适应方法。而且我们也在文中报告了在标准基准数据集 Office31 和 MNIST-USPS 上的实验。

原文题目:Supervised Domain Adaptation: Were we doing Graph Embedding all along?

原文:The performance of machine learning models tends to suffer when the distributions of the training and test data differ. Domain Adaptation is the process of closing the distribution gap between datasets. In this paper, we show that existing Domain Adaptation methods can be formulated as Graph Embedding methods in which the domain labels of samples coming from the source and target domains are incorporated into the structure of the intrinsic and penalty graphs used for the embedding. To this end, we define the underlying intrinsic and penalty graphs for three state-of-the-art supervised domain adaptation methods. In addition, we propose the Domain Adaptation via Graph Embedding (DAGE) method as a general solution for supervised Domain Adaptation, that can be combined with various graph structures for encoding pair-wise relationships between source and target domain data. Moreover, we highlight some generalisation and reproducibility issues related to the experimental setup commonly used to evaluate the performance of Domain Adaptation methods. We propose a new evaluation setup for more accurately assessing and comparing different supervised DA methods, and report experiments on the standard benchmark datasets Office31 and MNIST-USPS.

原文作者:Lukas Hedegaard, Omar Ali Sheikh-Omar, Alexandros Iosifidis

原文地址:https://arxiv.org/abs/2004.11262

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 通用最小曼哈顿网络问题的动态编程方法(CS DS)

    我们研究广义最小曼哈顿网络(GMMN)问题:给定一个由欧几里得平面 中两个点配对组成的集合 ,要求我们找到一个最小长度的几何网络,该网络由轴对齐的线段...

    刘持诚
  • 厂区工业信号灯的检测和分类(CS CV)

    工业制造在过去的几十年里,已经从劳动密集型的人工控制机器,发展到了全自动化的过程。下一个大的飞跃被称为工业4.0,即智能制造。随着工业4.0的到来,IT 系统和...

    刘持诚
  • 通过低熵密钥实现分散式安全电子邮件和信息传递中身份验证和密钥管理自动化(CS CR)

    我们重新审视了去中心化的端到端加密电子邮件和安全消息传递中的实体认证问题,然后提出了一种基于密码-认证密钥交换(PAKE)的实用的、可自我维持的加密解决方案。这...

    刘持诚
  • 用于图像字幕的文本生成的宏观控制

    尽管图像字幕模型已经能够为给定的图像生成令人印象深刻的描述,但仍然存在挑战:(1)现有模型的可控性和多样性仍然远远不能令人满意; (2)模型有时可能会产生质量很...

    用户8055484
  • 针对新冠病毒、其新变种和未来流行病的万物互联解决方案(cs.cy)

    在以意想不到的方式影响世界之后,COVID-19已经开始变异,这一点从其新变种的出现就可以看出。政府、医院、学校、工业和人类,都在寻找一种潜在的解决方案,疫苗最...

    用户8078797
  • 估计声学音乐信号音高的几何框架(cs sd)

    本文提出了音高估计的几何方法,这是音乐信息检索中的一个重要问题,也是该领域诸多问题的先驱。虽然有许多精确估计高度的方法,但单音高估计和多音高估计(特别是在不确定...

    木樾233
  • 爱与恨之间只有一线之隔:用回声来模拟种族主义网络社区的动态(cs)

    2016年初,随着美国总统“战况”竞选的加剧,(((echo)))符号(三个圆括号围绕着一个名字)进入了主流社交网络。它被极右翼分子、白人至上主义者和网络恶棍用...

    柴艺
  • Codeforces Round #561 (Div. 2) A. Silent Classroom(贪心)

    A. Silent Classroom time limit per test1 second memory limit per test256 megab...

    风骨散人Chiam
  • 【论文推荐】最新6篇目标检测​(Object Detection)相关论文—物体链接、手机端、三维地图、航空图像、检测与姿态估计

    【导读】专知内容组整理了最近六篇目标检测(Object Detection)相关文章,为大家进行介绍,欢迎查看! 1. Object Detection in ...

    WZEARW
  • SilviaTerra希望把碳补偿的好处带给世界各地的每一个土地所有者

    碳补偿公司SilviaTerra的联合创始人扎克·帕里萨(Zack Parisa)和马克斯·诺瓦(Max Nova)在过去十年里一直致力于一种方法,使获得创收碳...

    用户8054111

扫码关注云+社区

领取腾讯云代金券