Unsupervised Domain Adaptation (eBook)
XVI, 223 Seiten
Springer-Verlag
978-981-97-1025-6 (ISBN)
Unsupervised domain adaptation (UDA) is a challenging problem in machine learning where the model is trained on a source domain with labeled data and tested on a target domain with unlabeled data. In recent years, UDA has received significant attention from the research community due to its applicability in various real-world scenarios. This book provides a comprehensive review of state-of-the-art UDA methods and explores new variants of UDA that have the potential to advance the field.
The book begins with a clear introduction to the UDA problem and is mainly organized into four technical sections, each focused on a specific piece of UDA research. The first section covers criterion optimization-based UDA, which aims to learn domain-invariant representations by minimizing the discrepancy between source and target domains. The second section discusses bi-classifier adversarial learning-based UDA, which creatively leverages adversarial learning by conducting a minimax game between the feature extractor and two task classifiers. The third section introduces source-free UDA, a novel UDA setting that does not require any raw data from the source domain. The fourth section presents active learning for UDA, which combines domain adaptation and active learning to reduce the amount of labeled data needed for adaptation.
This book is suitable for researchers, graduate students, and practitioners who are interested in UDA and its applications in various fields, primarily in computer vision. The chapters are authored by leading experts in the field and provide a comprehensive and in-depth analysis of the current UDA methods and new directions for future research. With its broad coverage and cutting-edge research, this book is a valuable resource for anyone looking to advance their knowledge of UDA.
| Erscheint lt. Verlag | 22.4.2024 |
|---|---|
| Reihe/Serie | Machine Learning: Foundations, Methodologies, and Applications |
| Zusatzinfo | XVI, 223 p. 78 illus., 44 illus. in color. |
| Sprache | englisch |
| Themenwelt | Informatik ► Datenbanken ► Data Warehouse / Data Mining |
| Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik | |
| Mathematik / Informatik ► Mathematik ► Statistik | |
| Mathematik / Informatik ► Mathematik ► Wahrscheinlichkeit / Kombinatorik | |
| Schlagworte | Active Domain Adaptation • Adversarial Learning • Source-Free Domain adaptation • transfer learning • Unsupervised Domain Adaptation |
| ISBN-10 | 981-97-1025-1 / 9819710251 |
| ISBN-13 | 978-981-97-1025-6 / 9789819710256 |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
PDF (Wasserzeichen)DRM: Digitales Wasserzeichen
Dieses eBook enthält ein digitales Wasserzeichen und ist damit für Sie personalisiert. Bei einer missbräuchlichen Weitergabe des eBooks an Dritte ist eine Rückverfolgung an die Quelle möglich.
Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.
Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.
Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.
aus dem Bereich
