.png){kind=icon}
返回
Micro-community domain adaptation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2024.111270.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
领域自适应（DA）利用从标记源域学到的知识对未标记目标域进行分类。人们认为子类别通常比其父类别拥有更广泛的知识，本研究表明Micro-Community比其超集和父类别展现出更广泛的共享知识。基于上述观察，现有DA方法可能遇到三个问题：(a) 它们要么转移两个域的公共特征知识，要么转移单个域的个体特定特征知识，而忽略了从两者中全面转移知识；(b) 它们忽视了从比源域类别具有更多共同特征的Micro-Community中提取知识；(c) 它们忽略了从个体、Micro-Community和类别中全面转移多级知识。为解决上述问题，提出了一个面向Micro-Community的学习框架，称为Micro-Community Domain Adaptation（Micro-CDA）。Micro-CDA由两部分组成：(a) Intra-Micro-Community Learning（IMicro-CL），将源域的类内样本划分为nu个易于转移的Micro-Community，并自适应地探索数据中的Micro-Community共享知识和个体特定知识；(b) Pairwise Similarity Learning（PSL），通过应用Micro-Community在源域和目标域之间施加成对相似性约束，并在语义指导下联合学习两个域的个体和Micro-Community的融合知识。通过Micro-CDA，知识在语义指导下从源域逐步传递到目标域，包含了个体、Micro-Community和类别的知识。理论分析表明，PSL在领域自适应过程中最多能实现nu个子区域。在三个基准数据集和一个多属性数据集上的广泛实验证明了Micro-CDA的有效性。
Keyword:
Domain adaptation
Micro-community
Pairwise Similarity Learning
Semantic guidance
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
分享收藏Class-Incremental Unsupervised Domain Adaptation via Pseudo-Label Distillation基于伪标签蒸馏的类增量无监督域自适应
PREAI
分享收藏Hierarchical domain adaptation with local feature patterns具有局部特征模式的分层域自适应.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
Discriminative feature alignment: Improving transferability of unsupervised domain adaptation by Gaussian-guided latent alignmentPATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容