Sep, 2023

重新思考领域泛化：可辨别性与泛化能力

HTML
PDF
TL;DR域泛化的新观点，创造了具有强大可辨别性和鲁棒普适性的特征，通过Selective Channel Pruning和Micro-level Distribution Alignment两个核心组件，解决了当前域泛化中特征泛化和差异化挑战。
发现论文，激发创造
  • 多领域判别分析实现领域泛化

    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

  • 领域泛化：一份调查报告

    本文综述了过去十年领域泛化方向的研究进展，包括领域泛化的定义，现有的方法和理论，并提供未来研究方向的见解和讨论。

    Mar, 2021

  • 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

  • 域一般化算法的失效模式

    本文提出了一个可以将错误分解成不同泛化方面的组成部分的域泛化算法评估框架，并将其扩展到捕捉实现不变性的各种失败类型。作者表明，域不变表示学习的策略存在两个问题，并提出了一个可行的调整分类器的方向。通过对Colored MNIST和Camelyon-17数据集的评估，作者发现泛化误差的最大贡献因素因方法、数据集、正则化强度甚至训练长度而异。

    Nov, 2021

  • 角度不变性视角下的领域泛化

    本文提出了一种利用神经网络实现特征提取的领域通用方法，即Angular Invariance Domain Generalization Network（AIDGN），基于这种方法，我们通过von-Mises Fisher（vMF）混合模型开发了优化目标，并在多个基准数据集上进行了广泛的实验验证。

    Oct, 2022

  • 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

  • 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

  • 重新思考多领域泛化问题：通用学习目标

    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

  • 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

  • 特征结构化的细粒度领域泛化

    提出了一种特征结构化的领域泛化模型（FSDG），通过多粒度知识的解决和特征的结构化，提高了细粒度领域泛化的性能。

    Jun, 2024