ReMask：域反事实生成的鲁棒信息遮盖方法

ACLMay, 2023

ReMask：域反事实生成的鲁棒信息遮盖方法

ReMask: A Robust Information-Masking Approach for Domain Counterfactual Generation

Pengfei Hong, Rishabh Bhardwaj, Navonil Majumdar, Somak Aditya, Soujanya Poria

TL;DR本文提出了一种三步域混淆方法，通过基于频率和注意力规范的掩盖来遮蔽特定于域的线索，并揭示域泛化上下文，从而实现了领域反事实样本的生成，通过实验验证本方法在领域情感分类、对抗领域适应和多领域意图分类任务中的有效性。

Abstract

domain shift is a big challenge in nlp, thus, many approaches resort to learning domain-invariant features to mitigate the inference phase domain shift. Such methods, however, fail to leverage the →

domain shift nlp domain-specific domain counterfactual generation domain generic context

发现论文，激发创造

未知场景下的领域通用人群计数

本文研究了基于单一源域的元学习框架，通过引入动态子域分割方案及设计域不变和域特定群体记忆模块实现了人群计数中跨内容场景的领域泛化，通过多个标准数据集的实验验证了该方法的强大通用性。

Dec, 2022

DoCoGen: 面向低资源领域自适应的领域反事实生成

本文提出了一种可控生成的方法 --DoCoGen 算法，用于解决自然语言处理中的域自适应挑战，通过生成领域对抗文本示例 (D-con) 来增强情感分类器和多标签意图分类器，该模型优于其他基线模型和现有的无监督领域自适应算法。

Feb, 2022

COVID-19 信息服务的无监督域自适应对比敌对域混合

本研究提出了一种基于对比学习和对抗域混合的无监督域自适应框架，用于将知识从现有数据域传递到目标 COVID-19 数据域，以适应 COVID-19 误信息检测系统。实验证明，我们的方法相比最新的基线算法能够有效地适应未知的 COVID-19 目标领域并取得显著的改进。

Oct, 2022

掩蔽图像是稳健微调的反事实样本

本文提出了一种新的 fine-tuning 方法，使用掩码图像作为反事实样本来帮助提高 fine-tuning 模型的鲁棒性，该方法通过分类激活图掩盖语义相关或语义不相关的图像补丁，然后用其他图像中的补丁填充掩盖的补丁，取得了在鲁棒性方面更好的平衡。

Mar, 2023

基于蒙版的无监督内容转移

本文提出了一种无监督的翻译方法，通过对领域进行分离和遮罩，实现了对目标部分的高效重建，从而实现了领域翻译的最新质量和多样性，并能识别不同领域的不同类别。

Jun, 2019

通过掩盖非共享部分进行多领域情感分类的共享学习

本文利用 BertMasker 网络，首先将原始句子转换为与领域无关的语句，明确地对文本中的领域相关单词进行掩蔽，从中学习领域无关情感特征，并使用这些掩蔽单词形成领域感知句子表示，提高了多领域情感分类和跨领域设置的准确性。

Apr, 2021

运行时域损坏下的变分反事实预测

本文介绍了一种新的方法，通过领域适应和对抗域适应来对付运行时域损坏，提高反事实预测器的泛化性能。我们的 VEGAN 模型在标准数据集上表现优异，达到了个体水平的治疗效果估计。

Jun, 2023

频率掩蔽用于通用深度伪造检测

通过探索遮蔽图像建模，我们提出了一种新颖的频率域深伪造图像检测方法，具有优异的泛化能力和显著的性能提升。

Jan, 2024

高质量图像翻译和密度重建实现的领域自适应人群计数

本文提出了一种基于领域适应的人群计数 (DACC) 框架，通过高质量的图像翻译和密度图重建来解决使用合成数据进行无监督学习难以抑制领域差异并输出详细密度地图的问题，实验结果表明该方法在六个真实世界数据集上优于现有的最新方法。

Dec, 2019

在域内外泛化中平衡特异性和不变性的学习

本研究提出了一种域特定掩码模型，旨在提高领域内和领域外的泛化性能，在 PACS 和 DomainNet 中实现与先前的方法竞争性能。

Aug, 2020