AAAIDec, 2023

高斯过程和贝叶斯探索的域不变学习

PDF
TL;DR高斯过程的领域不变学习算法（DIL-GP）使得预测在合成和真实的数据集上具备优越性；DIL-GP 贝叶斯优化方法在四旋翼 PID 参数调整实验中展现出有效性。
out-of-distribution generalizationgaussian processesdomain invariant learning algorithmbayesian optimizationchanging environments
发现论文，激发创造
  • 基于领域信息的高斯过程状态空间模型的区分外分布检测

    提出了一种利用现有领域知识嵌入核函数的新方法，以及一种基于滚动预测的离线在线监控器，用于使机器人在未知情况下使用基于学习的方法安全导航。数值结果表明，与标准的核函数选择相比，具有领域知识的核函数在小数据集上具有更好的回归质量。通过对一个室内设置中的四足机器人进行测试，演示了 OoD 监控器的有效性，可可靠地对以前未见的地形进行分类。

    Sep, 2023

  • 非监督式视觉领域自适应：一种深度最大边际高斯过程方法

    采用高斯过程的方式进行大间隔后验分离问题的非监督领域适应研究。

    Feb, 2019

  • 利用因果不变转换实现对分布外的泛化

    本研究提出了一种针对领域间泛化问题的新方法，通过使用修改非因果特征但不改变因果特征的转换方式，从而获得跨领域的最优模型，并且该方法只需要一个单一领域的数据即可实现，在实验中证明了该方法的有效性。

    Mar, 2022

  • 图形在分布偏移下的泛化

    通过引入图学习不变领域生成（GLIDER）的新框架，本文在节点级别的属性分布和拓扑结构分布的共同分布转变的情境下，实现了优于基准方法的节点级别 OOD 广义化跨域模型。

    Mar, 2024

  • 非平稳领域泛化：理论与算法

    该论文研究了非稳定环境下的领域泛化问题，并提出了一种基于自适应不变表示学习的新算法，该算法利用非稳定模式来训练一个在目标领域上具有良好性能的模型。实验证实了该算法在合成数据和真实数据上的有效性。

    May, 2024

  • 关于超出分布泛化的理论框架

    本文第一次尝试对 OOD 问题的可学习性和扩张函数进行严格和量化的定义，并引入了一个新的扩张函数概念来量化不变特征的方差程度，进而证明了 OOD 泛化误差界，实验证明我们的模型选择标准相比基线有显著优势。

    Jun, 2021

  • 跨领域深度高斯过程

    本文提出了扩展 Inter-domain Gaussian processes 的 Inter-domain Deep Gaussian Processes 方法，基于现有的近似推理方法使用 inter-domain features 实现简单可扩展的近似推理。我们对各种回归任务的表现进行了评估，并展示了它在具有全局结构和高度不稳定性的大规模实际数据集上优于浅层 Inter-domain Gaussian processes 和传统深度高斯过程。

    Nov, 2020

  • 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

  • 领域泛化的因果平衡

    采用平衡的小批量采样策略来消除数据中的错误相关性，提高机器学习模型在不同领域的泛化能力并以此训练贝叶斯最优分类器，通过实验证明该方法优于 20 种基准方法。

    Jun, 2022

  • 关于校准和域外泛化

    本文提出了一种新颖的多域校准机制，该机制使分类器能够在未知领域中实现良好的泛化性能，实验证明通过训练或修改模型实现多域校准可以显著提高模型在未知测试域上的性能。

    Feb, 2021