BriefGPT - AI 论文速递
·
基于不确定性引导的无源域自适应与目标独立类别分离
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该论文介绍了一种新的无源领域自适应方法，通过细分目标领域的样本为多个未知类别来改善对目标专属样本的分离。同时，该论文提出了一种名为NL-InfoNCELoss的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。
🎯
关键要点
- 该论文介绍了一种新的无源领域自适应方法。
- 通过细分目标领域的样本为多个未知类别来改善对目标专属样本的分离。
- 提出了一种名为NL-InfoNCELoss的新对比损失函数。
- NL-InfoNCELoss可以增强模型对噪声伪标签的鲁棒性。
- 实验结果表明，该方法在基准数据集上优于现有方法。
- 该方法能够学习新类别的潜在语义，为新类别的发现提供了可能。
➡️
