Mar, 2024

克服跨领域数据不平衡的半监督领域泛化

HTML
PDF
TL;DR本文介绍了一种名为ProUD的新算法，通过领域感知原型以及标记和未标记领域的不确定性自适应混合，有效地学习领域不变特征，解决了领域之间数据不平等的问题，并在三个不同的基准数据集上进行的实验证明了ProUD的有效性，胜过所有基线模型，包括单领域泛化和半监督学习。
发现论文，激发创造
  • 通过条件不变表示实现域泛化

    本文针对数据集偏差问题，提出一种基于类条件分布的域不变特征表示方法，在合成和实际数据上的实验证明其有效性。

    Jul, 2018

  • 半监督元学习实现领域泛化

    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

  • 半监督域自适应的学习不变表示和风险

    本论文提出了一种用于半监督域适应的算法LIRR，它能同时学习不变的表示和风险，并将特征空间中的边缘和条件分布对齐，实现了目标泛化能力的有意义提高。该算法在分类和回归任务上实现了最先进的性能和显著的改进。

    Oct, 2020

  • 泛化到未见领域：关于领域泛化的调查

    这篇论文是对近年来领域泛化（即在一个或多个不同但相关的领域中学习出可以推广到看不见的测试领域的模型）领域的最新进展的首次回顾，涵盖了相关的理论、算法、数据集、应用，并提出了未来的研究方向。

    Mar, 2021

  • 基于随机StyleMatch的半监督领域泛化

    提出了一种名为StyleMatch的简单方法，通过引入新的元素，将FixMatch方法进行扩展，从而提高半监督域泛化的性能，多视角一致性学习可以增强域泛化的能力。

    Jun, 2021

  • 更好的伪标签:用于半监督领域通用问题的联合领域感知标签和双分类器

    本文提出了一种新颖的深度框架，利用半监督域泛化技术，通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题，同时当准确的伪标签为无标签源域生成时，使用域混合操作增加标记和未标记域之间的新域，有助于提高模型的泛化能力，并在公开的DG基准数据集上展示了所提出的SSDG方法的有效性。

    Oct, 2021

  • 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

  • 无标签领域外数据提高泛化能力

    将未标记的数据合并到半监督分类问题的一个新框架中，借助分布鲁棒优化 (Distributionally Robust Optimization) 和自我监督训练的组合，提供了新的错误界限以及将离域样本用于缩小泛化差距的方法。

    Sep, 2023

  • 往未见领域通用化的方向发展

    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

  • 基于领域指导的权重调节用于半监督领域泛化

    本研究针对半监督领域泛化（SSDG）中，深度学习模型在仅有少量标记数据的情况下，如何学习具有领域泛化能力的问题。我们提出了一种新方法，通过在训练过程中保持分类器的领域特性，以生成准确的伪标签，并对分类器权重进行调节。实验结果表明，该方法在多项强大的SSL基线中明显提升了性能，具有重要的实际意义。

    Sep, 2024