本文提出了一种 HOOD 方法,通过设计一种基于因果推断的变分推理框架,利用每个图像实例的内容和风格来识别良性和恶性 ODD 数据,并通过干预过程增加内容和风格特征,从而产生良性和恶性 OOD 数据,HOOD 可以有效处理未知和开放环境中的 OOD 示例。
Jul, 2022
本研究提出了一种针对领域间泛化问题的新方法,通过使用修改非因果特征但不改变因果特征的转换方式,从而获得跨领域的最优模型,并且该方法只需要一个单一领域的数据即可实现,在实验中证明了该方法的有效性。
Mar, 2022
通过因果关系分析揭示了图神经网络在节点分布迁移中一种存在于环境背景潜在混淆偏差,提出一种简明的、有原则性的方法通过因果推断来训练鲁棒的图神经网络,以抵消训练数据中的混淆偏差,并促进学习可泛化的预测关系。实验证明,该模型可以有效提高各类分布迁移情况下的泛化性能,在图的分布迁移基准测试中相比最先进方法最多提高 27.4% 的准确率。
Feb, 2024
针对存在样式分布偏移和虚假特征以及缺失域标签的超域泛化问题,本文提出了一种新的框架 IRSS,并通过引入对抗神经网络和多环境优化逐渐将样式分布和虚假特征从图像中分离,实现超域泛化。实验证明 IRSS 优于传统的超域方法,并解决了不变风险最小化(IRM)退化问题,从而实现了在分布迁移下提取不变特征。
Dec, 2023
本文第一次尝试对 OOD 问题的可学习性和扩张函数进行严格和量化的定义,并引入了一个新的扩张函数概念来量化不变特征的方差程度,进而证明了 OOD 泛化误差界,实验证明我们的模型选择标准相比基线有显著优势。
Jun, 2021
通过引入图学习不变领域生成(GLIDER)的新框架,本文在节点级别的属性分布和拓扑结构分布的共同分布转变的情境下,实现了优于基准方法的节点级别 OOD 广义化跨域模型。
Mar, 2024
在本论文中,我们首先展示了,经过足够时间的微调但没有适当的正则化,视觉 - 语言模型在给定数据集中往往会过度拟合已知类别,导致对未知类别的表现下降。然后,我们提出了一种新颖的方法 OGEN 来解决这个问题,在关注点主要是改进经过微调模型的未知类别(OOD)泛化能力。具体而言,我们引入了一种类条件特征生成器,通过仅使用任何未知类别的类名,合成 OOD 特征。这些合成特征将提供关于未知类别的有用知识,并在联合优化时有助于规范 ID 和 OOD 数据之间的决策边界。同样重要的是,我们的自适应自蒸馏机制用于规范特征生成模型,在联合优化期间自适应地传递模型状态之间的知识,以进一步防止过度拟合。实验证实,我们的方法在不同设置下提供了令人信服的 OOD 泛化性能增益。
Jan, 2024
本文综述了过去十年领域泛化方向的研究进展,包括领域泛化的定义,现有的方法和理论,并提供未来研究方向的见解和讨论。
Mar, 2021
计算机视觉中的一个重要且尚未解决的问题是确保算法对图像域的变化具有稳健性。我们提出了一种基于贝叶斯方法的新颖 OOD 鲁棒性对象分类方法,扩展了组合神经网络 (CompNets),并通过迭代优化在 OOD 场景中表现出很好的性能。
本文提出了使用非欧氏线性外推的方法来实现图形 OOD 广义化,并在不破坏基本因果机制的情况下为特定转移定制 OOD 样本,理论分析和实证结果表明了我们的方法在解决目标转移问题上的有效性。
Jun, 2023