如何利用一维卷积神经网络（1D-CNN）结合迁移学习技术，在轴承故障诊断中实现源域和目标域的联合对齐。具体步骤包括数据预处理、构建1D-CNN-MMD-Coral网络模型、实施边缘概率分布对齐和条件概率分布对齐（即JDA联合对齐），并在CWRU数据集上进行了实验验证。文中提供了详细的代码片段，涵盖了数据加载、模型定义、训练循环以及结果可视化的全过程。最终结果显示，在目标域仅有10%标注数据的情况下，模型仍能达到97%以上的准确率。 适合人群：机械工程领域的研究人员、从事故障诊断工作的工程师、对迁移学习感兴趣的初学者。 使用场景及目标：适用于需要解决不同工况下轴承故障诊断问题的研究人员和技术人员。主要目标是通过迁移学习减少对大量标注数据的需求，提高模型的泛化能力。 其他说明：文中还分享了一些实践经验，如避免在预处理时进行标准化、选择合适的batch size、加入自注意力机制等技巧，有助于提高模型性能。

最大均值差异仅用于反映样本空间总体的分布信息和全局结构信息，忽略了单个样本对全局度量贡献的差异性。为此，提出一种最大分布加权均值差异（MDWMD）度量方法，采用白化余弦相似性度量为源域和目标域的所有样本设计相应的分布权重，使得每个样本的分布差异信息在全局度量中均得以体现。进一步，在MDWMD基础上，结合联合分布调整思想，提出一种领域适应学习算法：基于最大分布加权均值嵌入的联合分布调整，同时对源域和目标域中的数据进行边缘概率分布调整和条件分布调整。实验结果表明，与现有典型的迁移学习和无迁移学习算法相比，所提算法在不同类型跨领域图片数据集上的分类精度较高。

2021-域自适应-医学图像分析 综述译文

深珊瑚 用于域自适应的DeepCoral网络的实现。 DeepCoral网络用于无监督域自适应，该域自适应将源和目标分布的二阶统计信息与非线性变换对齐。

HierMUD: Hierarchical Multi-task Unsupervised Domain Adaptation between Bridges for Drive-by Damage Diagnosis 通过驾驶车辆的振动响应监测桥梁，通过允许每辆车检查多座桥梁，并消除在每座桥梁上安装和维护传感器的需要，实现高效、低成本的桥梁维护。然而，许多现有的驱动式监控方法都基于有监督的学习模型，需要来自每座桥梁的大量标记数据。获取这些标记数据即使不是不可能的，也是昂贵且耗时的。此外，直接将在一座桥梁上训练的有监督学习模型应用于新桥梁，会由于不同桥梁的数据分布之间的变化而导致精度较低。此外，当我们有多个任务（例如，损伤检测、定位和量化）时，分布转移比只有一个任务更具挑战性，因为不同的任务有不同的分布转移和不同的任务难度。 为此，我们引入了HierMUD，这是第一个分层多任务无监督领域自适应框架，它将从一座桥梁学习到的损伤诊断模型转移到一座新桥梁，而无需在任何任务中使用新桥梁的任何标签。具体来说，我们的框架以对抗的方式学习分层神经网络模型，以提取对多个诊断任务有用且跨多个桥梁不变的

深度域适应中常见的数据集之一，image_CLEF，原始图像数据 有b、c、i、p四个子数据域，每个子数据域有12类。

很棒的开放集识别列表 与开放集识别，分发外，开放​​集域适应和开放世界识别相关的精选论文和资源清单 注意： 此列表并不详尽。 为了公平起见，表使用字母顺序。 内容 异常检测 开放集域适应 开放世界认可 执照 贡献 讲解 教程与调查 迈向开放集识别，Scheirer WJ，de Rezende Rocha A，Sapkota A等。 （ PAMI，2013年）。 迈向开放世界认可，Bental A，Boult T.（ CVPR，2015年）。 终身机器学习，陈志远和刘冰。 （ 2018 ）。 开放集识别的最新进展：一项调查，耿C，黄胜，陈胜。（ arXiv，2018 ）。 公开集识别的最新进展：调查v2 ，耿传兴，黄胜军，陈松灿。 （ arXiv，2019 ）。 文件 开放集识别 基于传统机器学习方法 2019年 用于开放集识别的专用支持向量机，Pedro Ribe

马里奥matlab代码域对抗神经网络（浅层实现） 此python代码已用于进行以下JMLR论文的第5.1节中介绍的实验。 Yaroslav Ganin，Evgeniya Ustinova，Hana Ajakan，Pascal Germain，Hugo Larochelle，FrançoisLaviolette，Mario Marchand和Victor Lempitsky。 神经网络领域专业训练。 机器学习研究杂志，2016。 内容 DANN.py包含学习算法。 fit()函数是本文算法1的非常简单的实现。 experiments_amazon.py包含在Amazon情感分析数据集上执行的示例（文件夹data包含数据集文件的副本）。 计算目标测试风险（请参见论文表1）和Proxy-A-Distance （请参见论文图3）。 experiments_moons.py包含用于生成本文图2的代码（关于相互缠绕的月亮玩具问题的实验）。 mSDA.py包含用于生成mSDA表示的函数（这些是Chen et al。（2012）Matlab代码的文字翻译）

Deep Subdomain Adaptation Network for Image Classification(用于图像分类的深度子域自适应网络)王晋东2020年最新文章全文翻译。 对于没有标记数据的目标任务，域适应可以将知识从不同的源域迁移过来。以往的深度域适应方法主要是学习全局的域迁移，即对齐源域和目标域的全局分布，而不考虑同一类别不同域中的两个子域之间的关系，在没有捕捉到细粒度信息的情况下导致迁移学习效果不佳。近年来，越来越多的研究者开始关注子域自适应问题，重点是准确地对齐相关子域的分布。然而，它们大多包含多个损失函数且收敛缓慢的对抗性方法。在此基础上，我们提出了一种深度子域自适应

帕绍大学硕士论文 主题：域自适应 本文讨论了一种通用的领域自适应模型技术的发展，这将有助于解决各种计算机视觉任务。 该模型在流行的视觉域数据集上进行图像分类任务训练，并且与其他可用的域适应方法相比，该模型的性能得到了评估。 “基于幅度的权重修剪”技术用于执行目标特征提取器优化。 有关代码的说明： models.py模块定义了源模型和目标模型。 Xception网络和顶层 config.py模块定义了各种参数，例如设置路径，实验数据集组合ID等。将来可能会添加其他配置 loss.py定义了其他损失方法。 preprocessing.py模块使用各种数据集组合（包括数据扩充）定义数据预处理管道。 train_test.py是一个帮助程序模块，它定义了培训和评估方法。 evals_helper.py是一个帮助程序模块，它详细定义了评估方法。 utlis.py定义了各种绘图，辅助方法和