利用域凸博弈改善泛化
本研究提出了使用样式互补模块来增强模型的泛化能力,从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验,结果表明本方法优于现有的单域泛化方法,最高提升了 25.14%。
Aug, 2021
本文主要探讨如何通过数据生成器来增加多个源域的多样性提高领域泛化能力,在使用了最优传输的分布偏差模型和循环一致性和分类损失的数据生成器模型中,我们的 L2A-OT(学习通过最优传输增广)方法在四个基准数据集中表现优于当前最先进的 DG 方法。
Jul, 2020
通过从样本和特征角度出发,强调相关联系并消除不相关联系,我们提出了两个模块,用于提高模型的泛化能力,从而获得跨多个领域的领域不变表示,实验结果表明,嵌入这两个模块的卷积神经网络(CNNs)或多层感知机(MLPs)能够取得优秀的结果,例如在 Digits-DG 上的平均准确率为 92.30%。
Jan, 2024
本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题,建立起一个更加完整的基准测试数据集,并在其中进行了对比实验,证明了该方法的优越性以及提出的数据集的更高难度值。
Oct, 2017
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
本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法,通过 Augmentation Layer 增强 CNN 的中间特征图以提高模型在跨域数据上的泛化能力,实验结果表明本方法在 PACS、VLCS、Office-Home 和 TerraIncognita 等数据集上表现优异。
May, 2023
通过引入多个特定于源域的分类器,利用预测目标样本属于每个源域的概率进行最优融合,并引入一个域不可知组件来支持最终分类器,我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。
Jun, 2018
该研究论文提出了一个公平且对比度特征空间正则化的算法,名为 FOND,旨在学习可以转移源领域知识的、用于表示在特定领域中仅存在的类的广义表示。实验结果表明该算法在提高特定领域类别的泛化表现上取得了最先进的效果,并提供了可行的数据增强实用技巧。
Jun, 2023
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