Oct, 2023

面向领域泛化的领域特定特征解缠

PDF
TL;DR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。
distributional shiftdomain generalizationcontrastive-based disentanglement methodcross-domain category featuresfeature disentanglement
发现论文，激发创造
  • 面向域泛化的基于原则的解缠方法

    提出了一种名为 DDG 的方法，利用基于约束的优化形式来处理机器学习模型的泛化问题，并以有限维参数化和经验逼近的方式对其进行简化，同时提出了一种基于原始对偶算法来实现表示分离和域泛化的方法。DDG 方法可以学习到语义概念的内在表示，使其对干扰因素具有不变性，并可以在多个领域中得到良好的 OOU 性能表现。

    Nov, 2021

  • 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

  • 重新思考领域泛化：可辨别性与泛化能力

    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。

    Sep, 2023

  • 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

  • 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

  • 具有类别感知对齐的强健领域无关泛化

    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

  • 动态领域泛化

    提出一种名为 “动态域泛化”(DDG) 的新颖域泛化变体，其中模型学习扭曲网络参数以适应来自不同域的数据，并使用元调整器来扭曲网络参数，以便针对不同来源和目标域进行动态调整。通过使用 DomainMix 来模拟不同域的数据进行教学，以帮助元调整器适应未来的未知目标领域，无需经过训练即可实现模型的自适应调整，实验证明该方法的有效性。

    May, 2022

  • 领域泛化中异质性的定量测量与对比探讨

    利用对比学习提出了一种基于异质性的两阶段对比学习 (HTCL) 算法，在第一阶段使用对比度量生成最异质的划分模式，第二阶段利用先前生成的划分模式进行不变性对比学习，以更好地利用生成的域标签进行广义学习，从而更好地挖掘异质性并产生良好的广义性能。

    May, 2023

  • 通过逻辑回归归因匹配实现对比领域泛化

    本文通过引入 Contrastive Domain Generalization（CDG）方法，探究以强对比数据对中的语义不变性来进行域泛化的方法，并提出了一种名为 Logit Attribution Matching（LAM）的正则化技术来实现 CDG，实验结果表明 LAM 的性能优于现有的 DG 方法，并帮助模型更好地聚焦于语义特征，这对于域泛化至关重要。

    May, 2023

  • 跨领域一致特征扰动

    通过在潜在空间中生成被干扰的特征并对模型预测进行领域转移的正则化来模拟领域转移的在线一阶交叉对比特征扰动（Cross Contrasting Feature Perturbation）框架引入的模块与语义一致性约束设计和学习特征扰动的，无需生成模型或领域标签的方法能够在分布不同的场景中缓解领域转移问题。

    Jul, 2023