ECCVAug, 2022

针对领域特定风险的最小化以实现超出分布的泛化

PDF
TL;DR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。
domain generalizationadaptivity gapensemblerisk minimizationsource domains
发现论文，激发创造
  • 领域无关条件不变预测

    通过基于判别风险最小化理论和算法的不变特征捕获来解决领域泛化中没有领域标签的挑战，通过测试真实数据集验证了该方法的有效性。

    Jun, 2024

  • 无过多实证风险的领域泛化

    通过最小化约束条件下的惩罚，而不是与经验风险同时最小化，我们提出了一种解决域泛化领域中过度风险的方法，并通过将我们的方法应用于文献中的三种方法来证明其有效性。

    Aug, 2023

  • 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

  • 自适应风险最小化：学习适应领域转移

    本文探讨了在机器学习系统被分布转移影响时，如何通过自适应风险最小化方法 (ARM) 以提高对新领域和分布的分类准确率，在多个图像分类问题中，与其他鲁棒性、不变性和适应性方法相比，ARM 方法提高了 1-4％的测试准确率。

    Jul, 2020

  • 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

  • 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

  • 领域泛化中模型验证的原则方法

    本研究旨在解决域泛化问题，提出了一种新的模型选择方法，该方法综合考虑分类风险和域差异。通过实验结果验证了该方法的有效性。

    Apr, 2023

  • KL 导向领域适应

    本文研究了领域自适应中的输入表示对齐问题，提出了一种基于最小化源域和目标域表示分布之间的反向 Kullback-Leibler 差距的方法，利用概率表示网络实现了高效稳定的对齐方法，实验结果表明其优于其他对齐方法。

    Jun, 2021

  • 领域自适应的泛化界限

    本文提出了一种新的框架，通过应用获得的领域自适应学习过程的泛化界，分析了学习过程的渐近收敛。为了测量两个领域之间的差异，使用积分概率度量。通过不同的不等式和复杂度测量，证明了领域自适性学习的一些性质，并用数值实验验证了理论结果的正确性。

    Apr, 2013

  • 关于认证和提高对未见领域的泛化能力

    本文提出了一种基于分布鲁棒优化的普适认证框架，旨在弥补现有基准数据集在测试时无法全面评估领域通用算法的局限性，并提出了一种训练算法，可以用于改进其认证性能。实证评估表明，该方法显著提高了风险压力下模型的最坏损失，而在基准数据集上并未出现显著的性能下降。

    Jun, 2022