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
本文旨在解决域适应问题,提出训练方法和策略,包括将深度神经网络分为特征提取器和分类器、使用伙伴交互训练方法、训练新问题的稳健性特征。新方法在三个域泛化基准下表现出最先进的性能,还表明该方法有助于计算机视觉中的标准方法。
Jan, 2019
本文提出了一种基于多视角的领域泛化框架,利用多任务和多视角的元学习进行模型训练和更新,有效降低模型过拟合和不稳定预测问题,并在三个基准数据集上得到较好的结果,优于目前的一些最先进方法。
Dec, 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
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
提出了领域泛化问题的形式框架,主要是在标记的训练集数据来自于几个相关的预测问题的情况下,通过扩充原特征空间来增加特征向量的边际分布,以期在未知的未标记数据集上获得精确的预测。针对核方法,提供了更多的定量结果和通用一致的算法,并在一个合成和三个真实世界的数据集上做了实验比较.
Nov, 2017
本研究提出了一种因果框架来研究领域泛化问题,希望通过对领域泛化的统一视角,帮助研究人员更好地理解其基本原理并发展出更有效的机器学习方法。
Jul, 2023
本文综述了过去十年领域泛化方向的研究进展,包括领域泛化的定义,现有的方法和理论,并提供未来研究方向的见解和讨论。
Mar, 2021
本文主要探讨如何通过数据生成器来增加多个源域的多样性提高领域泛化能力,在使用了最优传输的分布偏差模型和循环一致性和分类损失的数据生成器模型中,我们的 L2A-OT(学习通过最优传输增广)方法在四个基准数据集中表现优于当前最先进的 DG 方法。
Jul, 2020
这篇论文是对近年来领域泛化(即在一个或多个不同但相关的领域中学习出可以推广到看不见的测试领域的模型)领域的最新进展的首次回顾,涵盖了相关的理论、算法、数据集、应用,并提出了未来的研究方向。