该研究提出了基于深度图形转换的解决方案,使用新的图卷积和解卷积层来学习传输映射,并引入一种新的条件图鉴别器,以训练生成对抗网络来实现异常图形模式的预测,实验表明该方法具有很好的效果和可扩展性。
May, 2018
本篇论文提出一种利用领域转换网络、知识蒸馏和对抗学习等方法,解决多领域翻译中通用和特定知识的统一建模问题,并在多种语言对上得到了比 fine-tuning 方法更为优秀的结果。
Nov, 2019
该研究提出了一个动态传输学习框架 DyTrans,使用基于 transformer 的时间编码模块建模动态域的时间信息,设计了动态域统一模块跨源和目标域高效地学习域不变特征,并在多个实际数据集上展示了 DyTrans 在从动态源域到动态目标域的知识转移中的有效性。
May, 2023
本篇论文提出了一种基于模型的域泛化方法,通过对数据生成过程和同变性条件的建模,将域泛化问题转化为一个无限维的有约束统计学习问题,并利用非凸对偶理论发展了有约束松弛的统计问题,提出了具有收敛保证的域泛化算法,并在 ColoredMNIST,Camelyon17-WILDS,FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。
Feb, 2021
本文研究了图神经网络的可扩展性和推广性,并提出了灵活的 GNNs 框架,通过多种节点更新函数和内部循环优化,使网络能够灵活适应新图并在多项推理任务中提高泛化能力。
Sep, 2022
直接从图像到图表的转换是一项具有挑战性的任务,这一任务要在单个模型中解决对象检测和关系预测。本文提出了一套方法,使得图像到图表转换器能够进行跨领域和跨维度的迁移学习,并通过将模型在 2D 卫星图像上进行预训练,应用于大不相同的 2D 和 3D 目标领域,对具有挑战性的基准进行了验证,如视网膜或整个脑血管图提取,在多个基准测试中方法始终优于一系列基线模型。
Mar, 2024
在这项研究中,我们针对动态多关系图提出了一种新颖的 Graph Neural Network 模型,名为 GOOD,它通过新颖的多关系嵌入聚合设计解决了域外泛化问题,并在两个零售领域提出了五个基准测试,证明 GOOD 能有效地预测出已知关系类型之外的关系,并取得了最先进的结果。
本论文提出了一种基于对抗生成网络的方法,通过学习域间变换的不变性来实现域不变表示的学习,以解决领域泛化问题,并在多个广泛使用的数据集上取得了与最先进模型竞争的结果。
本文研究领域适应和泛化中的预测领域适应的问题,提出了一种能够通过图形利用辅助域中信息的深度学习架构,同时提出了一种简单有效的策略,能够在测试时利用流入的目标数据进行连续的领域适应,并在三个基准数据库上进行了实验证明了我们方法的价值。
Mar, 2019
本文介绍了一种基于示例的超网络适应算法,主要解决多源适应问题,以及如何应用于自然语言处理领域的领域自适应,实现超网络在情感分类方面的应用。
Mar, 2022