AAAIMay, 2023

POEM: 嵌入极化用于域不变表征

PDF
TL;DR本文提出了一种名为 POEM 的方法，通过学习领域不变和特定表示并将其极化来获得强大的领域泛化能力，以增强表示的领域鲁棒性。 这种方法将类别分类和领域分类嵌入结合在一起，通过减少它们之间特征的余弦相似度来使它们正交，以获得领域不变表示。 与现有的 DG 方法相结合，POEM 将带来显著且一致的性能提升。
domain generalizationdeep visual modelspoemdomain-invariant representationspolarization
发现论文，激发创造
  • 稀疏专家组合是具有领域普适性的学习器

    本文提出了一种基于视觉 Transformer 的领域泛化模型 GMoE，通过研究架构与数据集中相关性的一致性来表征网络的抗干扰性；实验表明 GMoE 使用 ERM 训练的性能大幅优于 SOTA DG 基线，并且在使用新的 DG 算法进行训练时其性能有了显著改善。

    Jun, 2022

  • 深度域泛化的批归一化嵌入

    该研究提出一种基于批标准化和集成模型的域泛化方法，以在不同和未知的领域中提高机器学习模型的鲁棒性和分类准确性。

    Nov, 2020

  • 通过分离虚假因素和增强潜在相关性学习可普遍适用的模型

    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

  • 学习领域敏感和情感感知的词嵌入

    该文介绍了一种新的方法，通过同时捕获情感语义和单词的域敏感性的信息来学习领域敏感且情感感知的词嵌入向量。实验结果表明，该模型在句子和词库级别上都提供了学习领域敏感和情感感知词嵌入向量的有效方法。

    May, 2018

  • 基于领域适应的词向量在情感分类中的应用

    该论文提出了一种将通用词嵌入的广度与领域特定词嵌入的特異性相结合的方法，通过使用规范相关分析 (CCA) 或相关的非线性内核 CCA 对应的单词向量进行对齐来形成称为领域自适应 (DA) 词嵌入，其评估结果表明，在用于标准或最先进的分类算法的输入特征时，DA 嵌入在情绪分类任务中显着优于通用和 DS 嵌入。

    May, 2018

  • 融合与注意力：面向艺术和素描的广义嵌入学习

    本文介绍了一种新型的嵌入式学习方法，利用门控融合和注意力，通过对来自不同领域的查询图像的嵌入向量进行对比学习，实现不同领域的图像数据通用表示，提高计算机视觉的表现力。

    Aug, 2022

  • 一句话描绘千张画面：通过语言指导提炼 CLIP 进行领域泛化

    通过引入视觉 - 语言模型进行知识蒸馏，本文提出了一种新的域泛化方法，称为 RISE (Regularized Invariance with Semantic Embeddings)，并通过在多个基准数据集上的实验证明其在域泛化方面的优越性。

    Sep, 2023

  • 利用域凸博弈改善泛化

    本研究提出了一种新的域通用泛化（DG）解决方案，将其重新构建为域之间的凸博弈，以及使用基于超模的正则化项来鼓励每个多样化的域增强模型泛化能力，并构造一个样本筛选器来消除低质量样本的影响， 从而证明我们的方法的合理性和有效性。

    Mar, 2023

  • 领域自适应的嵌入投影：多样领域情感分析联合建模

    通过将领域适应问题视为嵌入投影任务，我们提出了一种新的方法，该模型可以将两个单域嵌入空间投影到一个双域空间，以预测情感分类，并在 20 个来源目标域对情感分类进行领域适应实验，并在高度背离的域中表现明显优于现有技术。

    Jun, 2018

  • 基于聚类的图像 - 文本图匹配模型桥接领域差距

    通过融合图像和文本的多模态图形表示，我们通过考虑图像和文本描述符之间内在的语义结构得到领域不变的关键嵌入，从而实现领域泛化问题中的域不变特征学习。我们的模型在 CUB-DG 和 DomainBed 等大规模公共数据集上实验，取得了与或更好于这些数据集上的最新性能。

    Oct, 2023