领域泛化:一份调查报告
该论文综述了近年来在无线通信领域使用机器学习和领域泛化方法的研究进展,重点讨论了如何使用不同数据源进行域泛化,以应对实际应用中源数据和目标数据之间的分布偏移所带来的挑战。
Mar, 2023
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。
Mar, 2021
该论文研究了非稳定环境下的领域泛化问题,并提出了一种基于自适应不变表示学习的新算法,该算法利用非稳定模式来训练一个在目标领域上具有良好性能的模型。实验证实了该算法在合成数据和真实数据上的有效性。
May, 2024
该研究论文系统而全面地讨论了 Out-of-Distribution generalization 问题,其中包括它的定义、方法论、评估以及对未来的启示和发展方向,以及包括无监督表示学习在内的现有方法。
Aug, 2021
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
我们综合调查了图形领域中的 ODD 概括率,并详细审查了最近在这个领域取得的进展,然后根据其在图形机器学习流水线中的位置,从数据、模型和学习策略等不同概念上将现有方法分为三类,并对每个类别进行了详细讨论,最后分享了我们对未来研究方向的看法。
Feb, 2022
利用大型语言模型和文本到图像生成技术,我们介绍了一种领域外推方法,通过合成全新领域的高保真、逼真的图像来显著提高域泛化数据集的训练效果,实现了单一和多领域泛化任务上的显著改进,甚至在没有任何收集数据的条件下,超过了监督设置的表现。
Mar, 2024
我们提供了一个形式框架,解决了动力系统重构中的泛化问题。通过引入基于拓扑概念和遍历理论的数学概念,我们证明了黑盒深度学习技术通常无法学习到具有泛化能力的动力系统重构模型。我们的研究对动力系统重构中的泛化问题进行了首次全面的数学处理,并深入理解了泛化问题的根本原因以及如何在实践中解决这些问题。
Feb, 2024
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