Apr, 2021

基于协变量漂移的领域泛化可信度校准

PDF
TL;DR本文提出一种基于域泛化的新型校准方法，通过利用多个校准域来减少目标域与校准域之间的分布差异，实现校准转移的改进，并且不需要来自目标域的数据，通过理论和实证实验的方法展示了该方法的有效性，并比较了其表现与其他基于域适应的最先进的校准方法。实验表明，在 Office-Home 数据集上的多类别分类中，我们所提出的校准方法的表现提高了 35 个百分点，期望校准误差降低了 8.86 个百分点。
calibrationcovariate shiftunsupervised domain adaptationdomain generalizationmulti-class classification
发现论文，激发创造
  • 无监督下协变量偏移的校准

    在安全关键应用的不确定性量化和决策中，概率模型的校准至关重要，在存在最小协变量转移时，针对校准的问题已受到广泛研究，我们提出了一种基于重要性采样的方法来解决这个问题，并在真实数据集和合成数据集上评估和讨论了我们的方法的有效性。

    Jun, 2020

  • 基于无监督域自适应的校准变量偏移预测

    本文提出了一种算法，用于校准模型预测并考虑协变量转移的情况，采用重要性加权法纠正训练分布与实际分布的差异，并通过领域适应的方法实现两个分布尽可能一致， 实证结果表明，该方法在存在协变量转移时优于现有的校准方法。

    Feb, 2020

  • 领域适应中具有更低偏差和方差的可迁移校准

    本论文研究了领域自适应中的标定问题，提出了 Transferable Calibration 方法来解决这个问题。该方法可以帮助现有的领域自适应模型更准确地进行标定，从而在关键场景下做出更可靠的决策。

    Jul, 2020

  • 语义分割中的标签校准在领域转换下

    预训练模型可通过计算域迁移下的软标签原型并根据与预测类别概率最接近的原型进行预测，从而适应无标签目标域数据，这种适应过程快速且几乎不需要计算资源，且能显著提升性能，我们在实用的合成到真实场景的语义分割问题中证明了该标签校准的益处。

    Jul, 2023

  • 针对领域偏移场景的后验不确定性校准

    本文探讨了深度神经网络中不确定性校准问题，并提出了一种针对域偏移的后处理校准方法，其通过对验证集的样本进行扰动，可大幅提高模型的校准性能。

    Dec, 2020

  • 关于校准和域外泛化

    本文提出了一种新颖的多域校准机制，该机制使分类器能够在未知领域中实现良好的泛化性能，实验证明通过训练或修改模型实现多域校准可以显著提高模型在未知测试域上的性能。

    Feb, 2021

  • 通过格里斯曼流形上的核回归进行零样本领域适应

    本文提出了一种新的域自适应方法，当目标域可以被描述为参数化向量且存在几个相关源域在同一参数空间内时，它无需访问目标域的数据或标签，大大降低了数据收集和注释的负担，并显示出一些有前途的结果。

    Jul, 2015

  • 无需源数据的无监督领域自适应

    该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法，只需要无标签的目标数据和源分类器，有效地解决了预训练模型中源数据不可用的问题，并表明其在有限标记数据的情况下胜过微调基线。

    Jul, 2020

  • 多域温度缩放的鲁棒校准

    本文提出了一种基于多个不同领域数据的系统校准模型 —— 多域温度缩放，用于处理分布变化，通过实验证明，该方法在处理相同的训练数据和测试数据的情况下表现出更好的鲁棒性和性能。

    Jun, 2022

  • 在协变量和依赖偏移下的公平感知领域泛化

    基于领域偏移的普适分类器归纳问题几乎困难且复杂，本文通过引入三种不同的分布偏移（概念偏移、协变量偏移和依赖性偏移），提出了一种新颖的领域泛化方法，能够在不同领域中保持模型的准确性和公平性。实验结果表明，该方法在四个基准数据集上超越了现有的方法。

    Nov, 2023