无监督领域泛化的分层变分自编码

ICLRJan, 2021

无监督领域泛化的分层变分自编码

Hierarchical Variational Auto-Encoding for Unsupervised Domain Generalization

Xudong Sun, Florian Buettner

TL;DR本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法，能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外，作者还提出了基于 ELBO 的模型选择和弱领域监督算法。

Abstract

We address the task of domain generalization, where the goal is to train a predictive model such that it is able to generalize to a new, previously unseen domain. We choose a hierarchical generative approach with

domain generalization hierarchical generative approach variational autoencoders unsupervised learning model selection

发现论文，激发创造

基于变分自编码器的受控解耦的无监督多领域翻译

无监督多领域转换是将数据从一个领域转换到其他领域的任务，我们提出的方法基于改进的变分自编码器，利用两个分离的潜在变量以一种可控的方式实现。我们通过实验证明了我们的方法在不同的视觉数据集上可以提高其他知名方法的性能，并证明了一个潜在变量存储与领域相关的所有信息，而另一个几乎不包含任何领域信息。

Jan, 2024

使用变分图自动编码器进行跨域先决条件链无监督学习

本研究提出了一种基于优化的变分图自编码器的无监督跨领域概念前置链学习方法，通过从信息丰富领域向信息贫瘠领域传递概念前提关系来显着超越其他基线模型，同时引入了两个新领域的数据集，提高了数据集的含量和可用性。

May, 2021

更贝叶斯：具有不确定性的领域不变学习

本文提出了一种基于概率框架和可分变贝叶斯推理的方法，将不确定性引入神经网络权重来处理由于目标域数据不可访问引起的域移位和不确定性挑战。实验结果表明，该方法在四个广泛使用的交叉域视觉识别基准测试中始终提供最先进的平均准确性。

May, 2021

半监督深度生成模型学习分离表示

该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

Jun, 2017

基于可变近似的无监督域自适应在心脏分割中的应用

本研究提出了基于变分自编码器的无监督域自适应方法，通过在两个领域中应用相同参数的变分分布实现域之间的映射，结合分割模块以进行心脏分割，并在两个跨模态和跨序列的心脏分割任务中证明了该方法的有效性和优势。

Jun, 2021

通过变分自动编码器在糖尿病视网膜病变领域跨领域泛化

通过探索变分自动编码器在眼底图像的潜在空间中解耦的内在能力，本研究旨在获取一种更强大适应不同 DR 数据集中遇到的领域转换的域不变表示方法，以提高该模型在广泛临床环境中的适用性，并证明其能够通过简单方法优于现有先进技术，挑战了对于 DR 分类高度复杂方法更优的普遍假设，强调了考虑简单方法并将其适应于医学图像的泛化任务的重要性。

Sep, 2023

现实世界域泛化的自适应方法

本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

Mar, 2021

使用变分自编码器生成可解释的表示

本文提出了一个框架，利用结构化图形模型在变分自动编码器（VAEs）的编码器中导出可解释的表达，使得在给定图形模型的结构限制下执行推理，并使用深度生成模型处理高维度的杂乱领域变得更容易。同时在无监督和半监督的情况下，通过变分目标进行端对端的学习。

Nov, 2016

高级条件变分自编码器（A-CVAE）：通过解离潜在特征表示进行开放领域对话生成解释的探索

本研究旨在通过介绍一种认知方法，利用先前的知识驱动生成模型，实现在中尺度特征分离中调节潜在变量，使得深度学习的开放领域对话系统可以生成更高质量和更可解释性的对话。

Jul, 2022

DIVA: 领域不变变分自编码器

本文介绍了一种名为 Domain Invariant Variational Autoencoder（DIVA）的生成模型，在域通用化问题上表现出色，可以学习三个独立的潜在子空间，分别用于描述域、类别和任何残余变化。此外，该模型能够整合已知或以前未见过的未标记数据，并在旋转的 MNIST 基准和疟原虫细胞图像数据集上实验验证了该模型的性能表现优于最新工作。

May, 2019