Adaptation

2024-10-31域适应（Domain Adaptation, DA）、域泛化（Domain Generalization, DG）和测试时域适应（Test Time Adaptation, TTA）之间的区别与联系
域适应（DomainAdaptation,DA）、域泛化（DomainGeneralization,DG）和测试时域适应（TestTimeAdaptation,TTA）是迁移学习领域中处理分布差异的三个重要概念，它们既有联系也有区别1、DomainAdaptation(域适应，DA)1.1、DA定义域适应的目标是将一个在源域上训练好的模型调整或
2024-01-25大模型Adaptation
Adaptation【Motivation】语言模型（给出提示后执行任务）不适用于所有下游任务（如自然语言推理（NLI）、问题回答（QA）、将网络表格转换为文本、解析电子健康记录（EHR）等）差别在于：语言模型的训练数据的格式和主题可能不同，或需要随时更新GPT3任务不可知，不针对特定任务优化，可以捕捉任务通用结
2024-01-18[论文阅读] Anomaly detection with domain adaptation
Anomalydetectionwithdomainadaptation3.MethodologyProblemStatement我们研究了在领域适应设置中的半监督异常检测问题。在训练阶段，学习算法可以访问\(n\)个数据点\(\left\{\left(\boldsymbol{x}_{src}^{(i)},y_{src}^{(i)}\right)\right\}_{i=1}^n\in(X\time
2023-09-14关于 SAP UI5 Page Map 里 Flex Enabled 标志位
我们在本地使用VisualStudioCode开发SAPUI5应用，通过PageMap打开SAPUI5应用，能编辑一个叫做FlexEnabled的标志位，true代表启用UIAdaptation，false代表禁用UIAdaptation.FlexEnabled和UIAdaptation是SAPUI5开发中的两个关键概念，它们为开发者提供了强大
2023-09-06论文精读：带有源标签自适应的半监督域适应（Semi-Supervised Domain Adaptation with Source Label Adaptation）
Semi-SupervisedDomainAdaptationwithSourceLabelAdaptation具有源标签适应的半监督域适应原文链接Abstract文章指出当前的半监督域适应（Semi-SupervisedDomainAdaptation,SSDA）方法通常是通过特征空间映射和伪标签分配将目标数据与标记的源数据对齐，然而，这种面向源数
2023-08-05论文解读（Moka‑ADA）《Moka‑ADA: adversarial domain adaptation with model‑oriented knowledge adaptation fo
Note：[wechat：Y466551|可加勿骚扰，付费咨询]论文信息论文标题：Moka‑ADA:adversarialdomainadaptation withmodel‑orientedknowledgeadaptation forcross‑domainsentimentanalysis论文作者：MaoyuanZhangXiangLiFeiWu论文来源：2023aRxiv论文地址：download 论
2023-07-22Domain Adaptation（领域自适应）
DomainAdaptation（领域自适应）当测试材料和训练材料差异较大时，即使训练时正确率高，在测试中不一定高例如：数字标识中，训练资料为黑白图片，测试资料为有色照片在已经用灰白图片做好的模型，测试有色图片正确率低，可以收集有色图片（没有标注）基本想法：找一个Network（FeatureExtract
2023-05-31以样本学习方法解决设备故障检测中的标签问题
文章的主要内容针对这些问题，提出了一种主动领域自适应智能故障检测框架LDE-ADA，该框架利用迁移学习和主动学习相结合的方法来解决标签域扩展问题，从而提高模型的检测性能。同时，提出了一种改进的主动学习查询策略，以准确选择目标域中新增加的健康类别样本来辅助模型训练，解决标签域扩
2023-05-02迁移学习（VMT）《Virtual Mixup Training for Unsupervised Domain Adaptation》
论文信息论文标题：VirtualMixupTrainingforUnsupervisedDomainAdaptation论文作者：TakeruMiyato,S.Maeda,MasanoriKoyama,S.Ishii论文来源：2019CVPR论文地址：download 论文代码：download视屏讲解：click
2023-01-09MAML —— Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks
论文地址：https://arxiv.org/abs/1703.03400 代码：有监督学习：https://github.com/cbfinn/maml强化学习：https://github.com/cbfinn/maml_rl ============
2023-01-02论文解读（CAN）《Contrastive Adaptation Network for Unsupervised Domain Adaptation》
论文信息论文标题：ContrastiveAdaptationNetworkforUnsupervisedDomainAdaptation论文作者：GuoliangKang,LuJiang,YiYang,AlexanderGHauptmann论文来源：CVPR
2022-12-23【机器学习】李宏毅——Domain Adaptation(领域自适应)
在前面介绍的模型中，一般我们都会假设训练资料和测试资料符合相同的分布，这样模型才能够有较好的效果。而如果训练资料和测试资料是来自于不同的分布，这样就会让模型在测试集
2022-10-30【李宏毅机器学习】Domain Adaptation 域适应
note：在工程很常见的现象，训练好的模型用在model未见过域的样本时，表现效果较差，解决domainshift可以使用迁移学习transferlearning，而domainadaptation是transferlearning的