Domain adaptation,DA,中文可翻译为域适配、域匹配、域适应,是迁移学习中的一类非常重要的问题,也是一个持续的研究热点。Domain adaptation可用于计算机视觉、物体识别、文本分类、声音识别等常见应用中。这个问题的基本定义是,假设源域和目标域的类别空间一样,特征空间也一样,但是数据的分布不一样,如何利用有标定的源域数据,来学习目标域数据的标定?
事实上,根据目标域中是否有少量的标定可用,可以将domain adaptation大致分为无监督(目标域中完全无label)和半监督(目标域中有少量label)两大类。我们这里偏重介绍无监督。
给定:有标定的$\mathcal{D}{S}={X{S_i},Y_{S_i}}^{n}{i=1}$,以及无标定的$\mathcal{D}{T}={X_{T_i},?}^{m}_{i=1}$
求:$\mathcal{D}{T}$的标定$Y{T}$ (在实验环境中$\mathcal{D}_{T}$是有标定的,仅用来测试算法精度)
条件:
$X_{S},X_{T} \in \mathbf{R}^{p \times d}$,即源域和目标域的特征空间相同(都是$d)维)
${Y_{S}}={Y_{T}}$,即源域和目标域的类别空间相同
$P(X_{S})\ne P(X_T)$,即源域和目标域的数据分布不同
比如说,同样都是一台电脑,在不同角度,不同光照,以及不同背景下拍照,图像的数据具有不同的分布,但是从根本上来说,都是一台电脑的图像。Domain adaptation要做的就是,如何根据这些不同分布的数据,很好地学习缺失的标定。
Arxiv
期刊
Arxiv
会议
期刊
Adversarial Methods
Arxiv
Conference
Journal
Distance-based Methods
Journal
Conference
Arxiv
Optimal Transport
Incremental Methods
Other Methods
Arxiv
Conference
Journal
Arxiv
Conference
Arxiv
Conference
Arxiv
Conference
Open Set Domain Adaptation [ICCV2017]
Arxiv
Conference
Journal
Arxiv
Conference
Arxiv
Conference
Bridging Theory and Algorithm for Domain Adaptation [ICML2019] [Pytorch]
Cycle-consistent Conditional Adversarial Transfer Networks [ACM MM2019] [Pytorch]
Learning Disentangled Semantic Representation for Domain Adaptation [IJCAI2019] [Tensorflow]
Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain Adaptation [ICML2019] [Pytorch]
Transferable Adversarial Training: A General Approach to Adapting Deep Classifiers [ICML2019] [Pytorch]
Drop to Adapt: Learning Discriminative Features for Unsupervised Domain Adaptation [ICCV2019] [PyTorch]
Cluster Alignment with a Teacher for Unsupervised Domain Adaptation [ICCV2019] [Tensorflow]
Domain-Symmetric Networks for Adversarial Domain Adaptation [CVPR2019] [Pytorch]
CyCADA: Cycle-Consistent Adversarial Domain Adaptation [ICML2018] [Pytorch(official)]
From source to target and back: Symmetric Bi-Directional Adaptive GAN [CVPR2018] [Keras(Official)] [Pytorch]
Detach and Adapt: Learning Cross-Domain Disentangled Deep Representation [CVPR2018] [Tensorflow]
Maximum Classifier Discrepancy for Unsupervised Domain Adaptation [CVPR2018] [Pytorch(Official)]
Adversarial Feature Augmentation for Unsupervised Domain Adaptation [CVPR2018] [TensorFlow(Official)]
Duplex Generative Adversarial Network for Unsupervised Domain Adaptation [CVPR2018] [Pytorch(Official)]
Generate To Adapt: Aligning Domains using Generative Adversarial Networks [CVPR2018] [Pytorch(Official)]
Learning Transferable Features with Deep Adaptation Networks [ICML2015][caffe]
Unsupervised Domain Adaptation with Residual Transfer Networks [NIPS2016] [caffe]
Deep Transfer Learning with Joint Adaptation Networks [ICML2017] [PyTorch]
Office-Caltech10
Office-31
Office-Home
ImageCLEF
USPS+MNIST
VisDA-17
Amazon review
Cross-dataset Testbed
COIL20
CMU-PIE
VLSC
Animals-with-Attributes
应用研究
Qiang Yang @ HKUST
迁移学习领域权威大牛。他所在的课题组基本都做迁移学习方面的研究。迁移学习综述《A survey on transfer learning》就出自杨强老师课题组。他的学生们:
1). Sinno J. Pan
现为老师,详细介绍见第二条。
2). Ben Tan
主要研究传递迁移学习(transitive transfer learning)。代表文章:
3). Derek Hao Hu
主要研究迁移学习与行为识别结合,目前在Snap公司。代表文章:
也做行为识别与迁移学习的结合,目前在新加坡一个研究所当研究科学家。
代表文章:
5). Ying Wei
做迁移学习与数据挖掘相关的研究。代表工作:
Instilling Social to Physical: Co-Regularized Heterogeneous Transfer Learning. AAAI 2016.
Transfer Knowledge between Cities. KDD 2016
其他还有很多学生都做迁移学习方面的研究,更多请参考杨强老师主页。
杨强老师学生,比较著名的工作是TCA方法。现在在NTU当老师,一直都在做迁移学习研究。代表工作:
毕业于NTU,现在在UESTC当老师。代表工作:
毕业于清华大学,现在在清华大学当老师,一直在做迁移学习方面的工作。代表工作:
Feifei Li的博士后,现在当老师。她有个学生叫做Eric Tzeng,做深度迁移学习。代表工作:
中科院计算所当老师,主要做迁移学习与文本结合的研究。代表工作:
现在康奈尔大学当老师。Minmin Chen是他的学生。代表工作:
USC教授。学生Boqing Gong提出了著名的GFK方法。代表工作:
现在当老师。主要做流形学习与domain adaptation结合。代表工作:
现在在微软。著名的CoRAL系列方法的作者。代表工作:
著名的第四范式创始人,虽然不做研究了,但是当年求学时几篇迁移学习文章至今都很高引。代表工作:
理论研究
Arthur Gretton @ UCL
主要做two-sample test。代表工作:
很多迁移学习的理论工作由他给出。代表工作:
也是做一些机器学习的理论工作,和上面两位合作比较多。代表工作非常多,不列了。
著名的SCL方法提出者,现在也在做机器学习。代表工作:
深度学习领军人物,主要做深度迁移学习的一些理论工作。代表工作:
深度学习领军人物,也做深度迁移学习的理论工作。
初步版本,水平有限,有错误或者不完善的地方,欢迎大家提建议和补充,会一直保持更新,本文为专知内容组原创内容,未经允许不得转载,如需转载请发送邮件至fangquanyi@gmail.com 或 联系微信专知小助手(Rancho_Fang)
敬请关注http://www.zhuanzhi.ai 和关注专知公众号,获取第一手AI相关知识
最近更新:2019-12-9