.png){kind=icon}
返回
TML-DA: Transfer metric learning based distribution alignment framework for domain class imbalanced classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113086.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
非随机和有偏采样会导致类别不平衡和领域分布不匹配问题。现有方法大多通过结合重采样策略与迁移学习来依次解决这些问题。然而，这些方法通常仅关注单一领域内的类别不平衡，而忽视了跨领域的不平衡。为解决领域类别不平衡和分布不匹配问题，本文提出了一种基于迁移度量学习的分布对齐（TML-DA）框架，适用于同质和归纳式迁移学习。首先，基于重要性的迁移度量学习模块通过重要性参数构建迁移度量网络，该网络通过增强类内一致性和类间差异性，学习源域和目标域数据在领域类别不平衡下的领域不变特征表示。然后，目标域标签预测模块利用跨域距离相似性为无标签目标数据预测更准确的标签，相比传统概率预测方法有所改进。最后，领域分布对齐模块在最小化边际分布和条件分布差异的同时，最大化类内一致性和类间差异性。这确保了学习到的迁移度量网络能够更有效地从源域泛化到目标域。所提出的TML-DA已在长尾USPS+MNIST和Office+Caltech公开数据集上进行评估，在解决无标签目标域数据的领域类别不平衡分类问题上表现出更优的性能和泛化能力。
Keyword:
Domain class imbalance
Distribution mismatch
Transfer metric learning
Distribution alignment
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
A novel deep metric learning model for imbalanced fault diagnosis and toward open-set classification一种用于不平衡故障诊断和开放集分类的新型深度度量学习模型
PREAI
分享收藏分享收藏Cost-sensitive ensemble of stacked denoising autoencoders for class imbalance problems in business domain用于业务领域中类不平衡问题的堆叠去噪自编码器的成本敏感集成
PREAI
分享收藏Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation
OAAI
OAAI分享收藏
查看更多内容