本文提出了一种新颖的域泛化框架,通过模拟域转化问题与数据分布差异之间的关系以增强模型的泛化能力,从训练策略和测试策略两个不同视角来增强模型的泛化能力。实验证明,该方法在多个基准细分数据集上都取得了最新的前沿成果。
Mar, 2020
本文研究了开放域泛化的问题,提出了一种基于元学习的域增强框架 (DAML),通过特征层次和标签层次上的增强,综合不同领域的知识,提高在不同领域泛化能力的性能。实验结果表明,DAML 方法在未知领域识别方面表现优越。
Apr, 2021
该论文提出一种学会学习的方法,通过学习辅助损失本身来提高模型的泛化能力,进而应用于领域推广的问题,包括传统领域推广和异构域推广。实验结果表明,该方法在两种情况下优于现有的解决方案。
Jan, 2019
该论文提出了一种基于元学习框架的新型记忆引导域泛化方法,该方法抽象了语义类别的概念知识,并通过训练多次来学习如何记忆无域和不同的类别信息,并提供外部固定的记忆作为类别指导,以减少任意未见域的测试数据中表示不确定性。通过语义分割的广泛实验,证明了我们的方法在各种基准上具有卓越的泛化能力。
Apr, 2022
本文尝试使用基于元学习的框架,旨在实现语义解析的零 - shot 泛化能力,实验结果表明,这种方法对 Spider 数据集上的解析表现有显著的提升。
Oct, 2020
本文提出了一种元学习方法,通过在每个小批处理中合成虚拟测试领域,模拟训练 / 测试领域变化的过程,使用模型无关的培训程序,这种方法在最新的跨领域图像分类基准测试中取得了最先进的结果,并在两项经典强化学习任务中展示了其潜力。
Oct, 2017
该研究使用多种潜在领域混合的方式来提高神经网络的领域泛化能力,通过聚类将样本分为不同的领域,并通过对抗学习训练领域不变特征提取器来发现潜在领域,并利用风格特征进行聚类,达到不需要使用领域标签的领域泛化模型的训练。该方法表现优于传统的领域泛化方法,包括使用领域标签的方法。
Nov, 2019
本篇论文提出了一种基于模型的域泛化方法,通过对数据生成过程和同变性条件的建模,将域泛化问题转化为一个无限维的有约束统计学习问题,并利用非凸对偶理论发展了有约束松弛的统计问题,提出了具有收敛保证的域泛化算法,并在 ColoredMNIST,Camelyon17-WILDS,FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。
Feb, 2021
提出一种名为 “动态域泛化”(DDG) 的新颖域泛化变体,其中模型学习扭曲网络参数以适应来自不同域的数据,并使用元调整器来扭曲网络参数,以便针对不同来源和目标域进行动态调整。通过使用 DomainMix 来模拟不同域的数据进行教学,以帮助元调整器适应未来的未知目标领域,无需经过训练即可实现模型的自适应调整,实验证明该方法的有效性。
May, 2022
深度神经网络在人工智能领域带来了革命性的进展,但面对分布转移时常常缺乏性能。传统神经网络假设训练和测试数据服从同一分布,然而实际应用中这一假设经常被违反。元学习作为一种有前景的方法,通过获取可传递的知识来快速适应各种任务,从而消除了从头学习每个任务的需求。本文基于特征提取策略和分类器学习方法的新分类法,全面调查了元学习在领域泛化方面的贡献,详细介绍了该领域的基础知识,并提供了关于未来研究方向的实践见解和深入讨论。
Apr, 2024