重新思考领域泛化:可辨别性与泛化能力
本文提出了一种多领域判别分析方法 (MDA) 来处理分类任务中的域泛化问题,通过学习一个域不变的特征变换,旨在实现每个类别之间领域的最小差异、类别之间最大可分性以及整体最大紧凑性,在学习理论分析中提供了过度风险和泛化误差的限制,通过对合成数据集和真实基准数据集的全面实验,证明了 MDA 的有效性。
Jul, 2019
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
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
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
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
该论文提出了 Domain-Free Domain Generalization (DFDG),一种模型无关的方法,通过学习领域不变的类别判别特征来实现更好的领域泛化性能,具体方法包括使用类别条件软标签来对齐样本的类别关系,使用显著性图来消除训练输入中的表面观察,并在时间序列传感器和图像分类的公共数据集上获得了具有竞争性的性能。
Feb, 2021
通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议,作者提出了两种方法来解决领域泛化挑战,并在四个跨领域基准数据集上进行了大量实验。实验结果表明,所提出的模型在 DG 方面优于当前最先进的方法。
Dec, 2018
多领域泛化的研究旨在最小化训练和测试分布之间的差异,以增强边缘到标签分布映射,本论文提出利用 Y 映射来放松约束,重新思考多领域泛化的学习目标并设计了一个新的通用学习目标,揭示了之前的多领域泛化研究仅部分优化了目标导致了有限性能的问题,该研究提取出四个实际组成部分,提供了处理复杂领域转移的一种通用、强大和灵活的机制。
Feb, 2024
本文提出了一种基于相关性感知的对抗式 DA 和 DG 框架,将源数据和目标数据的特征最小化,通过关联对齐模块和对抗学习来实现更加领域无关的模型,并在基准数据集上进行的实验证明了我们提出的方法的最新效果得到了改善。
Nov, 2019