• 语料库ID:235755284

ADAPT：很棒的域适配Python工具箱

@第{Mathelin2021ADAPTA条，title={ADAPT:Awesome Domain Adaption Python工具箱}，author={安托万·德·马特林（Antoine de Mathelin）、弗朗科斯·德海格（Franccois Deheeger）、纪尧姆·理查德（Guillaume Richard）、马蒂尔德·穆杰特（Mathilde Mougeot）和尼古拉·瓦亚蒂斯（Nicolas Vayatis}），日志={ArXiv}，年份={2021}，体积={abs/2107.03049}，网址={https://api.semanticscholar.org/CorpusID:235755284}}
ADAPT库是一个开源Python API，提供了主要转移学习和域适应方法的实现，采用用户友好的方法设计，以便于广大公众访问域适应。
[PDF]语义阅读器
28篇引文
背景引文
三
方法引文
21

本文图表

询问这篇论文
β
AI供电

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

28引文

PyTorch适配器

本技术报告详细解释了PyTorch Adapt的功能和总体设计，PyTorch Adapt是一个用于领域自适应的库，由于有一个可组合、延迟评估的钩子系统，它可以很容易地进行修改和组合。

回归中区域适应的对抗加权

本文提出了一种新的基于实例的方法，在协变量移位的假设下，在监督域自适应的背景下处理回归任务，并开发了一种对抗性网络算法，该算法在一次前馈梯度下降中学习源加权方案和任务。

基于特征选择的回归域自适应多视点自关注

本文研究了一种新颖的方法，该方法利用不同表征的差异距离，同时使用基于注意的神经网络机制估计领域自适应中的特征重要性。

用于回归的对抗性多视图域适配

引入了一种依赖于差异距离的域自适应优化目标的新公式，并开发了一种对抗性网络域自适应算法，调整给每个视图的权重，确保与目标相关的视图获得更高的权重。

biquality-learn:biquality Learning的Python库

Biquality Learning被提出：一个用于Biquality Learning的Python库，具有直观和一致的API，可以从双质量数据中学习机器学习模型，具有经过充分验证的算法，每个人都可以访问和轻松使用，并使研究人员能够以可复制的方式对双质量数据进行实验。

基于差异的领域自适应主动学习

从理论界推导出了一种实用的K-medoids算法，该算法可以处理大数据集的情况，并且在域自适应的背景下，该算法与其他最先进的主动学习技术相比具有竞争力，特别是在大约十万幅图像的大数据集上。

G-KMM：一种涉及多个列车和试验数据集的密度比估计的灵活核均值匹配优化方法

    C.亚历克萨
    计算机科学、数学
    软计算、人工智能和…
  • 2023
通过构造合适的损失函数，扩展了著名的KMM（核均值匹配）方法，以涵盖更一般的情况，包括分别针对训练数据和测试数据子集估计密度比。

使用基于领域自适应的机器学习改进真实材料特性预测

本工作建议使用域自适应（DA）来增强当前用于属性预测的ML模型，并在一组五个实际应用场景中评估其性能改进，并表明存在可以显著提高OOD测试集预测性能的DA模型。

基于条件抽样的可伸缩和超参数非参数协变量移位自适应

一种新的协变移位自适应非参数方法，避免了估计权重，并且没有需要调整的超参数，在理论上保证了样本量的运行时间准线性。

用于跨物种转录组学数据集成的物种-认知转移学习

这种新方法允许跨越物种障碍进行知识转移，而不依赖于已知的基因形态，而是利用整个基因集，并且在基于其他物种的数据预测未知细胞类型时，优于所有在没有先验知识的情况下工作的相关方法。

51参考文献

沙拉：跨领域半监督自适应学习的工具箱

介绍了沙拉工具箱，这是一个开源工具箱，它提供了一个框架，用于复制、扩展和合并过去几年的研究成果，包括模型体系结构4结构、损失函数和训练算法。

转移学习工具包：初级课程和基准

迁移学习工具包封装了17个迁移学习模型的代码，并提供了集成的界面，允许用户通过调用简单的函数来使用这些模型，并介绍了必要的环境设置和使用。

PyTorch适配器

本技术报告详细解释了PyTorch Adapt的功能和总体设计，这是一个用于域适配的库，由于有一个可组合的、惰性评估的钩子系统，可以很容易地对其进行修改和组合。

令人沮丧的简单域适应

我们描述了一种适用于领域自适应的方法，当一个人有足够的“目标”数据比只使用“源”数据做得更好时。我们的方法是…

使用子空间对齐的无监督视觉域自适应

本文介绍了一种新的域自适应算法，其中源域和目标域由特征向量描述的子空间表示，并通过学习将源子空间与目标子空间对齐的映射函数来寻求域自适应解。

基于传输分量分析的域自适应

本文提出了一种新的降维框架，用于减少域自适应潜在空间中域之间的距离，并提出了无监督和半监督特征提取方法，通过将数据投影到学习到的传输组件上，可以显著减少域分布之间的距离。

深珊瑚：用于深域适应的相关对齐

本文扩展了CORAL以学习一种非线性转换，该转换对齐深层神经网络（deep CORAL）中层激活的相关性，并在标准基准数据集上显示了最先进的性能。

Scikit-learn：Python中的机器学习

Scikit-learn是一个Python模块，集成了一系列最先进的机器学习算法，用于中等规模的有监督和无监督问题。此套餐侧重于…

回归中区域适应的对抗加权

本文提出了一种新的基于实例的方法，在协变量移位的假设下，在监督域自适应的背景下处理回归任务，并开发了一种对抗性网络算法，该算法在一次前馈梯度下降中学习源加权方案和任务。

统一的深度监督域适配和泛化

这项工作通过利用暹罗体系结构还原为分布距离和相似性的点-线代理，提供了一个统一的框架，用于解决具有深度模型的可视监督域自适应和泛化问题。
...