基于可调节判别器的领域适应

当前基于对抗学习的领域适应(DA)对目标样本的适应性较差,导致目标域的预测精确度较低,为此提出基于可调节判别器的领域适应(A-DADA)算法.首先,利用两个判别器分类概率的距离作为权重应用到目标域对抗训练损失函数中,旨在减少已对齐目标样本对抗训练的次数同时增加未对齐目标样本的对抗训练次数;其次,将平方熵损失函数作为最小熵损失函数,提高类平衡性;最后,使用Office-31数据集将该算法与JAN等算法进行对比实验,实验结果表明,与JAN算法相比,该算法的平均精度值提高了2.5%.

Pareto分布中形状参数的估计问题

本文研究了当a已知时,Pareto分布中形状参数的估计。首先求得了θ的一致最小方差无偏估计(UMVUE),并证明了它在平方损失下是不可容许的。当θ有先验信息时,分别在平方损失和熵损失下讨论了θ的Bayes估计,并说明了其容许性。其次,在熵损失下,讨论了一类形如(cT(x)+d)-1(d>0)的估计的容许性。最后,给出了θ的置信下限。