| 中文题名： | 基于最优传输的域适应方法研究 |
| 姓名： | |
| 保密级别： | 公开 |
| 论文语种： | 中文 |
| 学科代码： | 070101 |
| 学科专业： | |
| 学生类型： | 学士 |
| 学位： | 理学学士 |
| 学位年度： | 2022 |
| 学校： | 北京师范大学 |
| 校区： | |
| 学院： | |
| 第一导师姓名： | |
| 第一导师单位： | |
| 提交日期： | 2022-06-02 |
| 答辩日期： | 2022-05-10 |
| 中文关键词： | optimal transport ; domain adaptation ; class imbalance ; clustering model ; convolutional neural network |
| 中文摘要： |
本文主要讨论了基于最优传输的域适应问题。早期的基于最优传输的域适应方法中，主要通过学习源分布和目标分布之间的传输方案，估计目标域上的预测函数，它本质上是样本边缘分布之间的匹配，不能根据预测函数对传输映射做出适当的调整。因此改进的方法通过样本距离和标签(伪标签)损失的结合给出传输代价，同时对齐边缘分布和条件分布，随着神经网络的发展，之后的DeepJDOT (Deep Joint Domani Optimal
本文对DeepJDOT模型进行改进，给出了基于类传输的聚类模型，它通过类别损失项使得样本更具结构性，并且通过的传输方案对齐样本关于标签的条件分布，促进类别簇的对齐。最后在手写数字集和Office31数据集上进行了数值实验，基于类传输的聚类模型在样本均衡与不均衡的问题中都取得了更好的效果。 |
| 参考文献总数： | 24 |
| 插图总数： | 0 |
| 插表总数： | 0 |
| 馆藏号： | 本070101/22183 |
| 开放日期： | 2023-06-02 |
谷歌
