Sep, 2023

INSURE：一种基于信息理论的解缠纠化域泛化模型

PDF
TL;DR本文提出了一种基于信息论思想的 INSURE 模型，旨在通过对潜在特征进行明确解耦来获取足够和紧凑的类相关特征，以实现对未见目标域的泛化。该模型在四个广泛使用的 DG 基准数据集上的实验证明了其优越性，并且实证表明领域特定的类相关特征对于领域泛化是有益的。
domain generalizationinsurelatent featuresclass-relevant featuresgeneralization
发现论文，激发创造
  • 面向领域泛化的领域特定特征解缠

    我们提出了一种新的基于对比的解缠方法 CDDG，通过利用解缠特征来利用被忽视的领域特定特征，从而便于提取所需的跨领域类别特征进行 DG 任务。与其他先进方法相比，对各种基准数据集进行的广泛实验表明了我们方法的优越性。此外，可视化评估证实了我们方法在实现有效特征解缠方面的潜力。

    Oct, 2023

  • 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

  • 利用领域特定特征增强领域泛化

    本文提出了一种新颖的理论框架 meta-Domain Specific-Domain Invariant（mDSDI），通过元学习框架优化是领域特定表示，并通过同时学习领域特定和领域不变特点，在潜在空间中区分特征，从而针对源域进行自适应，并在未知域上获得强大的泛化能力，实验证明这种方法在领域一般化中具有竞争力。

    Oct, 2021

  • 混合训练使领域泛化变得轻而易举

    本文提出了一种基于 Mixup 的领域不变特征增强方法 (FIX) 和进一步增强判别能力的改进方法 (FIXED)，在图像分类和时间序列分析等领域得到了广泛实验验证并成功提高测试精度。

    Nov, 2022

  • 领域无关条件不变预测

    通过基于判别风险最小化理论和算法的不变特征捕获来解决领域泛化中没有领域标签的挑战，通过测试真实数据集验证了该方法的有效性。

    Jun, 2024

  • 领域通用化对领域相关类的应用

    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

  • 使用预训练模型的互信息正则化实现领域泛化

    使用 mutual information regularization 和 oracle 模型，通过一个预训练模型推导了一个可行的变分下界，证明在缩放实验中，预训练模型的规模越大，MIRO 的性能改善越好。

    Mar, 2022

  • 因果启发式表示学习用于领域泛化

    本文提出了一种基于因果关系的结构性因果模型来解决域泛化问题，并基于此提出了一种 Causality Inspired Representation Learning （CIRL）算法，该算法通过计算需满足的三个基本属性来强制表示满足因果机制的性质，进而提升了广义性能力。实验结果表明，该方法有效。

    Mar, 2022

  • 学习域不变表示特征的条件熵最小化原则

    提出了一种基于条件熵最小化原则的框架，用于过滤混入小说不变特征的不变特征，以增强新算法的泛化能力。

    Jan, 2022

  • DiDA：面向域自适应的解耦合成方法

    本文提出了一种利用解脱分析提高保持领域适应性能的方法，通过分别提取共同特征和特定领域特征，可以合成更多带有监督的目标域数据，从而提高领域适应性能。

    May, 2018