元森林:元学习下的随机森林域泛化
深度神经网络在人工智能领域带来了革命性的进展,但面对分布转移时常常缺乏性能。传统神经网络假设训练和测试数据服从同一分布,然而实际应用中这一假设经常被违反。元学习作为一种有前景的方法,通过获取可传递的知识来快速适应各种任务,从而消除了从头学习每个任务的需求。本文基于特征提取策略和分类器学习方法的新分类法,全面调查了元学习在领域泛化方面的贡献,详细介绍了该领域的基础知识,并提供了关于未来研究方向的实践见解和深入讨论。
Apr, 2024
本文提出了一种元学习方法,通过在每个小批处理中合成虚拟测试领域,模拟训练 / 测试领域变化的过程,使用模型无关的培训程序,这种方法在最新的跨领域图像分类基准测试中取得了最先进的结果,并在两项经典强化学习任务中展示了其潜力。
Oct, 2017
研究域常规化问题及其解决方法,通过使用基于梯度的元训练和元测试过程,引入了两种补充损失来明确地规范特征空间的语义结构,从而取得了两个常见对象识别基准测试的最新效果。
Oct, 2019
本文研究了开放域泛化的问题,提出了一种基于元学习的域增强框架 (DAML),通过特征层次和标签层次上的增强,综合不同领域的知识,提高在不同领域泛化能力的性能。实验结果表明,DAML 方法在未知领域识别方面表现优越。
Apr, 2021
本文提出了一种通过元学习来实现对新的未见领域进行面部识别的方法,该方法名为 “Meta Face Recognition(MFR)”,该方法利用元优化目标综合源 / 目标域转移,并通过优化多域分布来合并梯度 / 元梯度以提高泛化性能,同时提出了两个用于泛化人脸识别评估的基准,实验结果证实了该方法的优越性能。
Mar, 2020
基于领域增强和特征对齐的元学习方法被提出,以改善单一领域泛化模型的泛化性能。利用背景替换和视觉破坏技术生成多样和有效的增强领域,设计了基于类激活图和类不可知激活图的多通道特征对齐模块,以提取足够的可迁移知识。在两个公开数据集上的广泛实验表明,MetaDefa 在未知多个目标领域中具有显著的泛化性能优势。
Nov, 2023
针对实际情况中任务分布动态变化和不均衡,本研究提出了一种基于核方法的领域变化检测和难度感知内存管理机制。同时,还引入了一种高效的自适应任务采样方法,最终在新的基准测试中得到了非常好的效果。
Sep, 2021
本文提出了一种基于多视角的领域泛化框架,利用多任务和多视角的元学习进行模型训练和更新,有效降低模型过拟合和不稳定预测问题,并在三个基准数据集上得到较好的结果,优于目前的一些最先进方法。
Dec, 2021
本文提出了一种基于元学习的新型框架,即双重 MEta-learning with joint DomaIn-Class matching(MEDIC),该框架同时考虑了领域间和类别间的梯度匹配,以找到适用于所有任务的平衡边界,实验证明该方法不仅在开放集场景中优于以前的方法,同时还保持了有竞争力的闭集泛化能力。
Aug, 2023