GDA: 面向稳健测试时适应的通用扩散
该研究提出了一种基于扩散生成模型的测试时间自适应方法（DDA），该方法可在不重新训练模型的情况下通过对输入数据进行自适应来提高模型在移位目标数据上的准确性，并在 ImageNet-C 基准测试中展现了更加鲁棒的表现。
Jul, 2022
这篇论文介绍了一种新的基于引导的扩散驱动自适应方法，通过引入详细和全局的引导信息以及考虑分类器的引导信息，解决了测试数据与源域之间的语义信息丢失和模型偏移问题，并在多个实验中取得了显著的改进。
Dec, 2023
使用预训练扩散模型进行语义不匹配引导的 OOD 检测，名为 DiffGuard，在 Cifar-10 和大规模 ImageNet 上表现出效果，并且可以与现有的 OOD 检测技术轻松结合以实现最先进的结果。
Aug, 2023
该论文提出了一个新的基于扩散模型的分类导向框架 DreamDA，通过考虑训练图像中的原始数据作为种子并扰动其反扩散过程，DreamDA 生成符合原始数据分布的多样样本，并引入自训练范式生成伪标签和使用合成数据训练分类器，在四个任务和五个数据集上进行的广泛实验证明了 DreamDA 在合成高质量多样的图像并生成准确标签方面的有效性。
Mar, 2024
在这篇综述文章中，我们详细回顾了图形 OOD（Out-Of-Distribution）适应方法，并根据学习范式和技术对其进行了分类。我们还指出了有前景的研究方向和相应的挑战。
Feb, 2024
图领域适应模型在跨网络学习任务中得到广泛应用，目的是传递标记或结构知识。我们提出了一个名为 OpenGDA 的基准，它提供了丰富的预处理和统一数据集以进行不同类型的任务评估，并整合了最先进的模型和标准化的端到端流程。OpenGDA 是一个用户友好、可扩展和可复制的基准，可用于评估图领域适应模型在真实世界应用中的性能和挑战。
Jul, 2023
本文提出一种通用的域自适应问题表示，称为广义域自适应 (GDA) ，涵盖了主要变量作为其特殊情况，该广义化引出一种新的具有挑战性的设置，其中现有的方法失败了。 我们提出了一种新颖的方法，其关键是无监督的类破坏学习，这使得学习类不变表示和域对抗分类器无需使用任何领域标签，使用 3 个基准数据集的大量实验证明了我们的方法在新设置下优于现有的 UDA 方法，在现有 UDA 变量中也很有竞争力。
Jun, 2021