English(EN) When few labeled target data suffice: a theory of semi-supervised domain adaptation via fine-tuning from multiple adaptive starts

新理论通过因果模型推进半监督域自适应

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-01 04:00

一篇新研究论文介绍了一个使用结构因果模型（SCM）的半监督域自适应（SSDA）理论框架。该研究提出了FT-DIP、FT-OLS-Src和FT-CIP等方法，这些方法利用源数据和未标记的目标数据，在标记数据有限的目标域中提高预测精度。研究还提出了MASFT算法，用于处理分布偏移未明确说明的情况，并通过模拟和真实世界实验证明了其有效性。 AI

影响推进了对域自适应的理论理解，有可能在数据有限的专业应用中提高模型性能。

排序理由该集群包含一篇详细介绍机器学习理论进展的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Wooseok Ha, Yuansi Chen · 2026-07-01 04:00

When few labeled target data suffice: a theory of semi-supervised domain adaptation via fine-tuning from multiple adaptive starts

arXiv:2507.14661v2 Announce Type: replace-cross Abstract: Semi-supervised domain adaptation (SSDA) seeks to achieve accurate predictions in a target domain with limited labeled target data by exploiting abundant source and unlabeled target data. We study this problem under struct…

报道来源 [1]

When few labeled target data suffice: a theory of semi-supervised domain adaptation via fine-tuning from multiple adaptive starts

相关实体

相关话题