1. 結合分類子法:複数のソース ドメインとターゲット ドメインでそれぞれ分類子をトレーニングし、異なるソース ドメインとターゲット ドメイン間の類似性に基づいて複数の分類子を結合します。
1 Plus 単一結合方式により、各ソース ドメイン分類子に等しい重みが与えられます。
ゲノム配列解析のためのドメイン適応アルゴリズムの実証分析
2 ベイジアン学習法に基づいてソースドメイン分類器を重み付けする
ベイジアンマルチソースドメインのアダオエーション
ベイジアンマルチソースドメイン適応 | IEEE 会議出版物 | IEEE エクスプロア
2. 特徴ベースの手法
マッピング機能は、異なる分野のデータを同じ特徴空間にマッピングすることで、異なる分野の特徴間の差異を最小限に抑え、それにより特徴の分布を狭める効果を実現します。
補助を介した複数のソースからのドメイン適応
補助分類子 (acm.org) を介した複数のソースからのドメイン適応
3. 深層学習に基づくマルチソース移行アルゴリズム
1. マルチソース敵対的ネットワーク: 複数のドメイン識別子を使用して、各ソース ドメインとターゲット ドメインの機能をそれぞれ分散します。
敵対的な複数のソース ドメインの適応
2. ディープ カクテル ネットワーク: ソース ドメインとターゲット ドメインごとに個別のドメイン識別子と分類子を使用します。ドメイン識別器はその特徴を分散するために使用され、分類器は予測された確率分布を出力します。複数分類器の投票方法は、近傍識別器の出力に基づいて設計されています。
ディープカクテルネットワーク:カテゴリーシフトによるマルチソースの教師なしドメイン適応
ディープ カクテル ネットワーク: カテゴリ シフトによるマルチソースの教師なしドメイン適応 | IEEE 会議出版物 | IEEE エクスプロア
3. M3SDA: ソース ドメインとターゲット ドメイン間の調整を考慮し、異なるソース ドメインの機能分布も考慮します。
マルチソースドメイン適応のためのモーメントマッチング
マルチソースドメイン適応のためのモーメントマッチング (thecvf.com)
4. MFSAN: 同じ特徴空間内のすべてのフィールドで分布の違いを排除しようとすることは、より困難であると考えられています。異なるソース ドメインの異なる特徴空間への抽出を研究し、同じサンプルに対する複数の分類器の出力を制限してそれらを互いに近づけるための一貫性正則化項を提案します。
複数のソースからのクラスドメイン分類のためのドメイン固有の分布と分類器の調整
4. 複数ソースの移行に関するペーパー学習
2020年、マルチソースドメイン適応(ドメイン移行)の最新手法まとめ MDA_Beimaoshuopythonのブログ - CSDNブログ
マルチ敵対的ドメイン適応:1809.02176.pdf (arxiv.org)