该研究使用多种潜在领域混合的方式来提高神经网络的领域泛化能力,通过聚类将样本分为不同的领域,并通过对抗学习训练领域不变特征提取器来发现潜在领域,并利用风格特征进行聚类,达到不需要使用领域标签的领域泛化模型的训练。该方法表现优于传统的领域泛化方法,包括使用领域标签的方法。
Nov, 2019
本文探讨监督学习中数据导致的实际问题,着重于领域泛化研究,提出最小化给定领域对之间差异的方法,并在 EEG 数据集中验证了该策略。
本篇论文提出了一种基于模型的域泛化方法,通过对数据生成过程和同变性条件的建模,将域泛化问题转化为一个无限维的有约束统计学习问题,并利用非凸对偶理论发展了有约束松弛的统计问题,提出了具有收敛保证的域泛化算法,并在 ColoredMNIST,Camelyon17-WILDS,FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。
Feb, 2021
本文提出了一种称为 DGSML 的方法,它结合了元学习的情节训练和半监督学习,利用基于熵的伪标签方法为无标签样本分配标签,并利用新的差异性损失和对齐损失实现域不变表示的学习,进而提高领域泛化能力。实验结果表明,DGSML 优于现有领域泛化和半监督方法。
Sep, 2020
本论文提出一种隐私保护的约束域泛化方法,通过在集中式服务端的信息聚合过程中应用新颖的梯度对齐损失,以期提高模型的泛化能力,将训练模型更好地泛化到 “未见过” 的但相关的医学图像
May, 2021
我们提出了一种半监督领域泛化模型,通过利用有限的有标签数据和大量的无标签数据来学习领域通用特征。我们的方法在两种不同的半监督领域泛化设置中,在五个具有挑战性的基准测试中实现了一致且显著的进展。
Mar, 2024
该研究提出一种基于批标准化和集成模型的域泛化方法,以在不同和未知的领域中提高机器学习模型的鲁棒性和分类准确性。
Nov, 2020
通过最小化训练域之间的风险分布差异,建立领域不变性;采用风险分布匹配(RDM)方法,通过对最坏情况域和所有域的综合分布进行对齐,既提高了效果,又提高了计算效率。该方法在标准基准数据集上的实验证明,优于现有的领域泛化方法。
Oct, 2023
本论文提出了基于领域自适应的方法,将无监督训练样本中的领域信息作为辅助信息,采用学习的鉴别性领域嵌入构建领域自适应模型,用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能,并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC,相对于现有的方法,该基于领域自适应的方法在该数据集上实现了显着的优化。
Mar, 2021
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