MADG：基于边界的领域泛化对抗学习

Nov, 2023

MADG：基于边界的领域泛化对抗学习

MADG: Margin-based Adversarial Learning for Domain Generalization

Aveen Dayal, Vimal K. B., Linga Reddy Cenkeramaddi, C. Krishna Mohan, Abhinav Kumar...

TL;DR提出了一种基于边界损失的领域一般化方法（MADG 算法），该算法通过培训过程中的对抗性学习和学习域不变特征来有效地泛化到看不见的目标域，同时通过边界损失和 Rademacher 复杂性进行理论分析，实验证明在各种真实 DG 数据集的基准测试上表现一致。

Abstract

domain generalization (DG) techniques have emerged as a popular approach to address the challenges of domain shift in Deep Learning (DL), with the goal of generalizing well to the target domain unseen during the training. In recent years, numerous methods have been proposed to address

domain generalization adversarial learning margin loss madg algorithm generalization bound

发现论文，激发创造

基于元学习的交叉领域验证的判别式对抗领域泛化

本文提出基于元学习的 Discriminative Adversarial Domain Generalization（DADG）框架来改善机器学习模型的泛化能力，包括学习一般化的特征表示和分类器，在三个基准数据集的对比中，DADG 始终优于基线 DeepAll，并在大多数评估情况下优于其他现有的领域泛化算法。

Nov, 2020

深度领域泛化的多组分图像转换

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

通用单域推广的模态不可知去偏差

提出了一种适用于多种不同模态的深度神经网络的单一领域通用性（single-DG）算法，称之为 Modality-Agnostic Debiasing (MAD)，它采用一个新颖的双分支分类器，一支专注于识别特定领域的表层特征，另一个则利用来自前一支的知识来捕获领域通用（语义）特征，在多种领域通用任务中取得了极高的效果。

Mar, 2023

基于语义数据增强的距离度量学习用于领域泛化

该论文研究了如何通过采用特征空间中的隐式语义增强来提高模型的泛化性能，并将距离度量学习（DML）的额外损失函数和无限增强的交叉熵损失的 logits 作为 DML 损失的输入特征。实验表明，该方法在 Digits-DG、PACS 和 Office-Home 三个基准测试数据集上可以实现最先进的性能水平。

Aug, 2022

领域对抗深度图像生成用于领域泛化

本文介绍了一种基于深度生成对抗网络的领域泛化方法，通过生成新的数据使学习模型适应未知的测试领域，从而提高模型的准确性和鲁棒性。

Mar, 2020

相关感知的敌对域自适应和泛化

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

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

医学图像分割所需的对抗强度攻击的域泛化

本文提出一种名为 Adversarial Intensity Attack (AdverIN) 的与领域无关的方法，通过对抗性训练生成具有无限风格的训练数据，以增加数据多样性并提高分割模型的泛化能力，尤其适用于医学图像领域的多域分割数据集。

Apr, 2023

对抗式判别领域自适应

本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

Feb, 2017

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