半监督元学习实现领域泛化

Sep, 2020

Domain Generalization via Semi-supervised Meta Learning

Hossein Sharifi-Noghabi, Hossein Asghari, Nazanin Mehrasa, Martin Ester

TL;DR本文提出了一种称为 DGSML 的方法，它结合了元学习的情节训练和半监督学习，利用基于熵的伪标签方法为无标签样本分配标签，并利用新的差异性损失和对齐损失实现域不变表示的学习，进而提高领域泛化能力。实验结果表明，DGSML 优于现有领域泛化和半监督方法。

Abstract

The goal of domain generalization is to learn from multiple source domains to generalize to unseen target domains under distribution discrepancy. Current state-of-the-art methods in this area are fully supervised, but for many real-world problems it is hardly possible to obtain enough

domain generalization semi-supervised learning unlabeled samples entropy-based pseudo-labeling meta learning

发现论文，激发创造

领域增强元学习的开放域泛化

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

往未见领域通用化的方向发展

我们提出了一种半监督领域泛化模型，通过利用有限的有标签数据和大量的无标签数据来学习领域通用特征。我们的方法在两种不同的半监督领域泛化设置中，在五个具有挑战性的基准测试中实现了一致且显著的进展。

Mar, 2024

更好的伪标签：用于半监督领域通用问题的联合领域感知标签和双分类器

本文提出了一种新颖的深度框架，利用半监督域泛化技术，通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题，同时当准确的伪标签为无标签源域生成时，使用域混合操作增加标记和未标记域之间的新域，有助于提高模型的泛化能力，并在公开的 DG 基准数据集上展示了所提出的 SSDG 方法的有效性。

Oct, 2021

具有解缠度的半监督元学习用于通用领域医学图像分割

本文提出了一种新颖的半监督元学习框架，其中包括解缠结和显式对与领域位移相关的表示进行建模，对于医学图像分割问题，这项技术表现良好，尤其在有限的标注数据情况下具有更好的一般化性能和鲁棒性。

Jun, 2021

基于模型无关语义特征学习的域泛化

研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

Oct, 2019

基于语义数据增强的距离度量学习用于领域泛化

该论文研究了如何通过采用特征空间中的隐式语义增强来提高模型的泛化性能，并将距离度量学习（DML）的额外损失函数和无限增强的交叉熵损失的 logits 作为 DML 损失的输入特征。实验表明，该方法在 Digits-DG、PACS 和 Office-Home 三个基准测试数据集上可以实现最先进的性能水平。

Aug, 2022

提升伪标记和改善半监督领域泛化的鲁棒性

我们提出了一种新的半监督领域泛化方法，利用模型平均的不确定性引导伪标签技术，在有限标签的情况下缓解对源领域的过拟合，并在关键代表性领域泛化数据集上证明了其有效性。

Jan, 2024

通过分布匹配进行到未见过的领域的泛化

本文探讨监督学习中数据导致的实际问题，着重于领域泛化研究，提出最小化给定领域对之间差异的方法，并在 EEG 数据集中验证了该策略。

Nov, 2019

学习泛化：领域泛化的元学习

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

减少但更好：通过从冗余的 LLM 语义中进行内在学习，实现对未知领域的泛化零样本学习

我们提出了一种名为 Meta Domain Alignment Semantic Refinement (MDASR) 的方法，通过两个部分 Inter-class Similarity Alignment (ISA) 和 Unseen-class Meta Generation (UMG)，在跨领域广义零样本学习中解决了信息不对称问题，有效地将冗余的语义空间与共同特征空间对齐。

Mar, 2024