Mar, 2024

DomainLab：一种用于深度学习领域泛化的模块化 Python 软件包

PDF
TL;DR深度神经网络的信任部署经常受到未知领域分布偏移引起的泛化性能差的影响。DomainLab 是一个模块化的 Python 包，用于训练用户指定的神经网络，并具有可组合的正则化损失项。
发现论文，激发创造
  • 使用多个潜在领域的混合模型进行领域泛化

    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

  • 基于模型的领域通用化

    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

  • 深度域泛化的批归一化嵌入

    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

  • 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

  • DOMINO: 领域感知损失用于深度学习校准

    本文提出一种新颖的基于领域感知的损失函数，通过对目标领域内类别相似度的惩罚来提高深度学习模型的校准度，确保模型即使在错误时也能够减少风险错误，从而改善医学影像任务的性能。

    Feb, 2023

  • 域分割网络

    通过将图像表示分为两个子空间：一个是每个领域的私有特征，一个是跨领域共享的特征，我们开发的一种新型架构不仅可以让模型在源领域中执行任务，还可以用于重构来自两个领域的图像。该架构不仅在一系列无监督领域适应场景中优于现有技术水平，还能输出私有和共享表示的可视化结果，从而能够解释领域适应过程。

    Aug, 2016

  • 基于线性依赖正则化的医学影像分类领域泛化

    本文提出了一种简单而有效的方法来提高医学成像分类中深度神经网络的泛化能力，该方法通过使用新的线性依赖正则化项进行变分编码学习代表性特征空间，以捕获从不同领域收集的医学数据之间的可共享信息。实验结果表明，与现有方法相比，我们的方法可以实现更好的跨领域泛化能力。

    Sep, 2020

  • 解耦训练：令人沮丧的易于多域学习的回归

    我们提出了一种名为 Decoupled Training (D-Train) 的多领域学习方法，它通过分为多个头部进行先预训练再后训练，最后通过固定骨干网络对头部进行微调，实现了领域的独立，尽管该方法非常简单且高效，在各种数据集的广泛评估中表现出色。

    Sep, 2023

  • 领域增强元学习的开放域泛化

    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

  • 利用域凸博弈改善泛化

    本研究提出了一种新的域通用泛化（DG）解决方案，将其重新构建为域之间的凸博弈，以及使用基于超模的正则化项来鼓励每个多样化的域增强模型泛化能力，并构造一个样本筛选器来消除低质量样本的影响， 从而证明我们的方法的合理性和有效性。

    Mar, 2023