Aug, 2022

联合协变量对齐和概念对齐：一种领域泛化框架

PDF
TL;DR本文提出了一种新颖的领域泛化（DG）框架，该框架基于一种新的风险上限，旨在联合最小化在已见域之间的协变量转移和概念转移，以在未见域上获得更好的性能。在本文中，我们使用了分布对齐的常用方法，即最大均值差异（MMD）和协方差对齐（CORAL），并使用基于不变风险最小化（IRM）的方法来进行概念对齐。我们的数值结果表明，所提出的方法在多个数据集上表现不输于领域泛化的最新技术。
发现论文，激发创造
  • 缓解协变量和条件偏移的领域泛化

    本文提出一种新颖的领域泛化方法，通过视觉对齐和基于不确定性引导的置信度集成 (VAUE) 来处理分布偏移，在 4 个广泛使用的数据集上展示了其卓越的性能。

    Sep, 2022

  • 相关感知的敌对域自适应和泛化

    本文提出了一种基于相关性感知的对抗式 DA 和 DG 框架，将源数据和目标数据的特征最小化，通过关联对齐模块和对抗学习来实现更加领域无关的模型，并在基准数据集上进行的实验证明了我们提出的方法的最新效果得到了改善。

    Nov, 2019

  • 通过风险分布匹配实现领域泛化

    通过最小化训练域之间的风险分布差异，建立领域不变性；采用风险分布匹配（RDM）方法，通过对最坏情况域和所有域的综合分布进行对齐，既提高了效果，又提高了计算效率。该方法在标准基准数据集上的实验证明，优于现有的领域泛化方法。

    Oct, 2023

  • 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

  • 利用黎曼度量进行领域适应的相关性对齐

    本文研究如何进行领域自适应，特别是无监督领域自适应。通过使用神经网络并对其隐藏层的特征进行约束，得到了一个利用该流形上的理论上合理测地线距离的损失函数，从而比以前的方法表现更好。

    May, 2017

  • 针对领域特定风险的最小化以实现超出分布的泛化

    本文提出了基于领域特定风险最小化（DRM）的方法，旨在通过利用源域信息和适应性差的估计和最小化来弥合领域间差异以实现领域通用性，并在不同分布漂移设置下显着优于竞争基准。

    Aug, 2022

  • 无监督深度域自适应的最小熵相关对齐

    采用深度学习方法实现无监督域自适应，通过研究源域和目标域之间的二阶矩对齐可以最小化熵，提出了一种比欧几里得方法更有原则性的策略，利用源到目标的正则化器以无监督和数据驱动的方式量化，并在标准性的域适应基准测试中证实了该框架的优势。

    Nov, 2017

  • 通过分位风险最小化实现可能的域泛化

    用概率框架和 Quantile Risk Minimization 算法在多个相关训练数据分布中提高性能，实现高概率域泛化，将训练和测试域作为从相同元分布中绘制的关系，并引入更全面的分位数聚焦评估协议，能够优于 WILDS 和 DomainBed 上的现有基线。

    Jul, 2022

  • 小数据领域泛化

    探索处理在不足样本情况下的领域泛化问题，通过学习基于概率框架的域不变表示，在全局和局部视角对分布进行测量，以及基于概率的对比语义对齐损失函数，提出了一种解决方法，并通过实验证明其在不足数据环境下相较于现有方法的有效性。

    Feb, 2024

  • 针对域泛化的锐度感知梯度匹配

    本文提出 Sharpness-Aware Gradient Matching (SAGM) 算法，旨在通过渐进地对齐经验风险和扰动损失的梯度方向，提高模型泛化能力，并通过实验表明 SAGM 的表现优于当前 DG benchmark 中的现有方法。

    Mar, 2023