BriefGPT - AI 论文速递
·
GLC++：全球 - 本地聚类和对比亲和学习实现的无源通用领域适应
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文提出了一种源自由的通用领域适应方法，通过全局和局部聚类技术来减轻深度神经网络在协变量移位和类别偏移下的次优性能。在多个基准和类别偏移场景中，该方法表现出优越性。
🎯
关键要点
- 深度神经网络在协变量移位和类别偏移下表现出次优性能。
- 提出了一种源自由的通用领域适应方法，旨在准确分类已知数据并与未知数据分隔。
- 新颖的全局和局部聚类技术（GLC）用于区分目标类别，减轻负迁移。
- GLC 发展到 GLC ++，集成对比相似性学习策略。
- 在多个基准和类别偏移场景中，GLC 和 GLC ++ 显示出优越性。
- 在开放部分集场景下，GLC 和 GLC ++ 在 VisDA 的 H 分数上分别提高 16.7% 和 18.6%。
- GLC ++ 在 Office-Home 的开放集场景中提高了新类别聚类准确性 4.3%。
- 引入的对比学习策略显著改进了 GLC，并促进了现有方法。
🏷️
标签
➡️
