来自马萨诸塞州总医院和哈佛医学院等最新深度无监督域自适应综述论文。

论文链接：

https://arxiv.org/abs/2208.07422

深度学习已经成为解决不同领域的现实问题的首选方法，部分原因是它能够从数据中学习，并在广泛的应用中取得令人印象深刻的表现。然而，它的成功通常依赖于两个假设: (i) 大量的标记数据集需要精确的模型拟合，(ii) 训练和测试数据是独立的和同分布的。因此，它在不可见的目标域上的性能不能得到保证，特别是在适应阶段遇到非分布数据时。在部署深度神经网络时，目标域数据的性能下降是一个关键问题，它成功地训练了源域数据。针对这一问题，提出了无监督域适应(Unsupervised domain adaptation, UDA)，利用标记源域数据和未标记目标域数据在目标域中执行各种任务。UDA在自然图像处理、视频分析、自然语言处理、时间序列数据分析、医学图像分析等方面取得了良好的成果。在这篇综述中，作为一个快速发展的主题，我们提供了一个系统的比较方法和应用。此外，还讨论了UDA与其密切相关的任务，如域泛化和分布外检测之间的联系。此外，指出了目前方法的不足和可能的发展方向。

内容中包含的图片若涉及版权问题，请及时与我们联系删除