.png){kind=icon}
返回
Learning transferable representations by topic guided graph adversarial network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.sigpro.2025.110118.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为减少目标域中对昂贵标注数据的依赖，期望从相关源域学习可迁移的表示，该源域易于获取标注数据。面对不同域之间的分布偏移，通常通过执行特征级对抗学习来对齐边缘特征分布。尽管取得了近期成功，现有方法往往忽略了特征与标签之间的一致性，这是一个具有挑战性的问题，因为在目标域中没有监督信息。因此，我们受到启发，将判别信息从源域迁移到目标域，以实现更好的域对齐。为此，我们提出了一种主题引导图对抗网络（TGAN），由图构造器、图特征提取器、域判别器和分类器组成。具体而言，为学习描述不同域样本间关系结构的图，我们提出了一种语义解耦主题模型，用于提取域共享和域特定的主题，从而使图边可以通过域共享语义空间中的样本相似性来定义。然后，TGAN通过图上的注意力消息传递聚合源节点的判别特征，并将它们传播到目标节点，最终使用节点嵌入进行源域与目标域之间的对抗学习。TGAN在情感分类和临床风险预测任务上取得了最先进的表现。此外，发现的域不变判别主题显示出可解释的含义，这对于理解预测结果（尤其是对于生物医学研究）是有益的。
Keyword:
Transfer learning
Adversarial learning
Topic modeling
Disentangled representation
Graph neural network
期刊
IF:
3.6
论文数:
9.9K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
Mobile robot coordination and navigation with directional antennas in positionless wireless sensor networks移动机器人在无位置无线传感器网络中利用定向天线的协调与导航
PREAI
分享收藏分享收藏
没有更多内容
没有更多内容