1. 首页
  2. 文章中心
  3. 领域自适应与最优传输

最优传输论文（六）：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文原理前言原理阐述

53 阅读 0 评论
我是靠谱客的博主 淡定小刺猬，这篇文章主要介绍最优传输论文（六）：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文原理前言原理阐述，现在分享给大家，希望可以做个参考。

目录

  • 前言
  • 原理阐述
    • 文章介绍
    • 回顾
    • 原理
    • 模型结构图
  • Theoretical Analysis
  • 代码地址

前言

  • 本文属于我最优传输系列里的六篇，该专栏用于记录本人研究生阶段相关最优传输论文的原理阐述以及复现工作。
  • 本专栏的文章主要内容为解释原理，论文具体的翻译及复现代码在文章的github中。

原理阐述

文章介绍

  • 文章发表于2018年的AAAI。
  • 该论文是将Wasserstein Distance应用到了DA领域。
  • 本文介绍了WDGRL模型。

回顾

  • 我的最优传输上一篇文章（https://blog.csdn.net/qq_41076797/article/details/116898649）引用了大佬的文章（https://zhuanlan.zhihu.com/p/25071913），故没有对Wasserstein GAN这篇论文做太多自己的讲述。而本篇要讲述的论文可以说是基于上篇论文的，这里我要简要介绍一下本篇论文用到的上篇论文的内

最后

以上就是淡定小刺猬最近收集整理的关于最优传输论文（六）：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文原理前言原理阐述的全部内容，更多相关最优传输论文（六）：Wasserstein内容请搜索靠谱客的其他文章。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
点赞(35)

相关文章

【笔记】迁移学习中度量方法MMD（Maximum Mean Discrepancy 最大均值差异）
【笔记】迁移学习中度量方法MMD（Maximum Mean Discrepancy 最大均值差异）
【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）
【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）
论文笔记 —— 《Transfer Feature Learning with Joint Distribution Adaptation》
论文笔记 —— 《Transfer Feature Learning with Joint Distribution Adaptation》
[2022]李宏毅深度学习与机器学习第十一讲（必修）-Domain Adaptation做笔记的目的Domain ShiftDomain Adaptation
[2022]李宏毅深度学习与机器学习第十一讲（必修）-Domain Adaptation做笔记的目的Domain ShiftDomain Adaptation
最优传输论文（六）：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文原理前言原理阐述
最优传输论文（六）：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文原理前言原理阐述
对齐与分布图层
对齐与分布图层
Pytorch CPU运行与GPU运行
Pytorch CPU运行与GPU运行
Contextual Encoder-Decoder Network for Visual Saliency Prediction【论文笔记】
Contextual Encoder-Decoder Network for Visual Saliency Prediction【论文笔记】

评论列表共有 0 条评论

立即
投稿
返回
顶部