Jan, 2013

通过不变特征表示的领域泛化

HTML
PDF
TL;DR本文介绍了一种基于核方法的算法Domain-Invariant Component Analysis，通过最小化域间差异并保留输入输出间的功能关系，学习一个不变转换来实现从已知相关领域到未曾接触领域的知识迁移。学习理论分析表明，减少差异可以提高分类器在新领域上的期望泛化能力。实验结果表明，DICA成功地学习了不变的特征并改善了分类器的性能。
发现论文，激发创造
  • 通过条件不变表示实现域泛化

    本文针对数据集偏差问题，提出一种基于类条件分布的域不变特征表示方法，在合成和实际数据上的实验证明其有效性。

    Jul, 2018

  • 在域内外泛化中平衡特异性和不变性的学习

    本研究提出了一种域特定掩码模型，旨在提高领域内和领域外的泛化性能，在PACS和DomainNet中实现与先前的方法竞争性能。

    Aug, 2020

  • 不变信息瓶颈用于域泛化

    本文提出了一种新的不变信息瓶颈（IIB）的域泛化方法，它采用互信息的变分形式来为非线性分类器开发可处理的损失函数，以实现最小化不变风险和减轻伪不变特征和几何偏移对模型的影响。在合成数据集上，IIB可以显著优于IRM（不变风险最小化），并且在实际数据集上平均优于13个基线方法0.9％。

    Jun, 2021

  • 利用领域特定特征增强领域泛化

    本文提出了一种新颖的理论框架meta-Domain Specific-Domain Invariant（mDSDI），通过元学习框架优化是领域特定表示，并通过同时学习领域特定和领域不变特点，在潜在空间中区分特征，从而针对源域进行自适应，并在未知域上获得强大的泛化能力，实验证明这种方法在领域一般化中具有竞争力。

    Oct, 2021

  • 域一般化算法的失效模式

    本文提出了一个可以将错误分解成不同泛化方面的组成部分的域泛化算法评估框架，并将其扩展到捕捉实现不变性的各种失败类型。作者表明，域不变表示学习的策略存在两个问题，并提出了一个可行的调整分类器的方向。通过对Colored MNIST和Camelyon-17数据集的评估，作者发现泛化误差的最大贡献因素因方法、数据集、正则化强度甚至训练长度而异。

    Nov, 2021

  • 学习域不变表示特征的条件熵最小化原则

    提出了一种基于条件熵最小化原则的框架，用于过滤混入小说不变特征的不变特征，以增强新算法的泛化能力。

    Jan, 2022

  • 领域通用化对领域相关类的应用

    该研究论文提出了一个公平且对比度特征空间正则化的算法，名为FOND，旨在学习可以转移源领域知识的、用于表示在特定领域中仅存在的类的广义表示。实验结果表明该算法在提高特定领域类别的泛化表现上取得了最先进的效果，并提供了可行的数据增强实用技巧。

    Jun, 2023

  • 重新思考领域泛化：可辨别性与泛化能力

    域泛化的新观点，创造了具有强大可辨别性和鲁棒普适性的特征，通过Selective Channel Pruning和Micro-level Distribution Alignment两个核心组件，解决了当前域泛化中特征泛化和差异化挑战。

    Sep, 2023

  • 跨领域特征增强的域泛化

    领域泛化通过提高模型的鲁棒性来开发具有分布偏移上的稳定性的模型。现有方法在跨域数据上学习不变性以增强模型的稳健性，数据增强被广泛用于学习不变的预测模型，其中大多数方法在输入空间进行增强。然而，输入空间的增强的多样性有限，而特征空间的增强更加灵活且显示了有希望的结果。然而，特征语义很少被考虑，现有特征增强方法缺乏增强特征的多样性。我们将特征分解为类通用、类特定、领域通用和领域特定组件。我们提出了一种名为XDomainMix的跨域特征增强方法，使我们能够增加样本的多样性，同时强调学习不变表示以实现领域泛化。对广泛使用的基准数据集的实验证明我们的方法能够实现最先进的性能。定量分析表明我们的特征增强方法有助于学习在不同领域中都不变的有效模型。

    May, 2024

  • 领域无关条件不变预测

    通过基于判别风险最小化理论和算法的不变特征捕获来解决领域泛化中没有领域标签的挑战，通过测试真实数据集验证了该方法的有效性。

    Jun, 2024