直播预告 | AAAI 2022论文解读:基于能量的主动域自适应学习方法

2022 年 3 月 7 日 PaperWeekly


「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间,旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为,单向地输出知识并不是一个最好的方式,而有效地反馈和交流可能会让知识的传播更加有意义,从而产生更大的价值。

本期 AI Drive,我们邀请到北京理工大学博士生谢斌辉,为大家在线解读其发表在 AAAI 2022 的最新研究成果:Active Learning for Domain Adaptation: An Energy-based Approach对本期主题感兴趣的小伙伴,3 月 8 日(本周二)晚 7 点,我们准时相约 PaperWeekly 直播间。



直播信息




深度神经网络擅长从大量有标注数据中学习,但却很难将其推广到新的目标领域。无监督领域适应是一种有效的范式,能够将知识从有标注的相关源域迁移到完全无标记的目标域。然而,要达到有监督的性能,仍有巨大的潜力有待挖掘。


本文引入一种新的主动学习策略,自动地标注少量有价值的目标域数据。文章的核心内容从一个现象出发,当训练(源)和测试(目标)数据来自不同的分布时,基于能量的模型表现出自由能量偏差。受这一内在机制的启发,我们提出了一种简单而有效的基于能量的采样策略,在每一轮的查询中,挑选具有领域特性和模型预测不确定的数据进行标注。同时,自由能也可以作为一种正则化信号隐式地减小领域间的偏差。基准数据集和生成数据集上的实验结果证明了其有效性。


论文标题:

Active Learning for Domain Adaptation: An Energy-based Approach

论文链接:

https://arxiv.org/abs/2112.01406

代码链接:

https://github.com/BIT-DA/EADA


本次分享的具体内容有:  
  • 研究动机及简介

  • 方法详述

  • 实验结果与分析

  • 结语



嘉宾介绍



 谢斌辉 / 北京理工大学博士生 


谢斌辉,北京理工大学博士生,师从刘驰和李爽教授。研究兴趣集中在计算机视觉,特别是视觉任务中的领域适应、迁移学习、自监督学习。在 T-PAMI、AAAI、ACM MM 等国际一流期刊、会议上发表多篇学术论文,担任 CVPR、ICCV、AAAI 等国际会议审稿人。



直播地址 & 交流群




本次直播将在 PaperWeekly 视频号和 B 站直播间进行,扫描下方海报二维码点击阅读原文即可免费观看。线上分享结束后,嘉宾还将在直播交流群内实时 QA,在 PaperWeekly 微信公众号后台回复「AI Drive」,即可获取入群通道


视频号直播间:
扫描下方二维码关注 PaperWeekly 视频号,第一时间获取开播提醒。



B 站直播间:

https://live.bilibili.com/14884511




合作伙伴







🔍


现在,在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧



·


登录查看更多
0

相关内容

中科院自动化所19篇AAAI 2022论文速览!从CV\NLP到机器学习
专知会员服务
45+阅读 · 2021年12月21日
【AAAI2022】领域自适应的主动学习:一种基于能量的方法
专知会员服务
43+阅读 · 2021年12月6日
专知会员服务
32+阅读 · 2020年10月2日
近期必读的六篇 ICML 2020【域自适应】相关论文
专知会员服务
46+阅读 · 2020年9月29日
国家自然科学基金
22+阅读 · 2016年12月31日
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
12+阅读 · 2021年11月1日
Arxiv
16+阅读 · 2021年7月18日
Learning from Few Samples: A Survey
Arxiv
77+阅读 · 2020年7月30日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
Arxiv
24+阅读 · 2018年10月24日
VIP会员
相关基金
国家自然科学基金
22+阅读 · 2016年12月31日
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
相关论文
Arxiv
12+阅读 · 2021年11月1日
Arxiv
16+阅读 · 2021年7月18日
Learning from Few Samples: A Survey
Arxiv
77+阅读 · 2020年7月30日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
Arxiv
24+阅读 · 2018年10月24日
Top
微信扫码咨询专知VIP会员