ICMLJan, 2013

通过不变特征表示的领域泛化

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。
domain generalizationdomain-invariant component analysiskernel-based optimization algorithminvariant transformationclassifier performance
发现论文，激发创造
  • 多领域判别分析实现领域泛化

    本文提出了一种多领域判别分析方法 (MDA) 来处理分类任务中的域泛化问题，通过学习一个域不变的特征变换，旨在实现每个类别之间领域的最小差异、类别之间最大可分性以及整体最大紧凑性，在学习理论分析中提供了过度风险和泛化误差的限制，通过对合成数据集和真实基准数据集的全面实验，证明了 MDA 的有效性。

    Jul, 2019

  • 利用频率分解挖掘单域的潜力进行泛化

    本文提出通过多频域学习，利用两分支网络从单源域样本中提取不变特征，还揭示频率分解有助于模型学习难以学习的特征。实验表明，该方法优于单源域泛化的最新方法。

    Apr, 2023

  • 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

  • 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

  • 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

  • 领域密度转换的域不变表示学习

    本论文提出了一种基于对抗生成网络的方法，通过学习域间变换的不变性来实现域不变表示的学习，以解决领域泛化问题，并在多个广泛使用的数据集上取得了与最先进模型竞争的结果。

    Feb, 2021

  • 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

  • 角度不变性视角下的领域泛化

    本文提出了一种利用神经网络实现特征提取的领域通用方法，即 Angular Invariance Domain Generalization Network（AIDGN），基于这种方法，我们通过 von-Mises Fisher（vMF）混合模型开发了优化目标，并在多个基准数据集上进行了广泛的实验验证。

    Oct, 2022

  • 散点分析组件：领域自适应和泛化的统一框架

    本文提出 “散射组分分析”（SCA) 算法，使用一种简单的几何度量 “散射” 为基础，该算法能够应用于域适应和域泛化，并通过散射定量化每个类别之间的可分离性、领域之间的不匹配性和数据的可分离性。结论表明，与其他最先进的算法相比，SCA 在跨领域目标识别数据集上的性能更加优越。

    Oct, 2015

  • DIGIC：通过因果发现实现领域通用的模仿学习

    通过利用演示数据分布发现领域泛化策略的因果特征，我们设计了一个名为 DIGIC 的新框架，通过因果发现从演示数据分布中找到专家行为的直接原因，实现了只使用单一域数据进行领域泛化模仿学习，并且在底层因果模型的非结构化假设下作为跨域变化方法的补充，我们在各种控制任务中进行的实证研究表明，所提出的框架显著提高了领域泛化性能，并且与原始域中的专家具有可比较的性能。

    Feb, 2024