IJCAIMay, 2024

跨领域特征增强的域泛化

PDF
TL;DR领域泛化通过提高模型的鲁棒性来开发具有分布偏移上的稳定性的模型。现有方法在跨域数据上学习不变性以增强模型的稳健性，数据增强被广泛用于学习不变的预测模型，其中大多数方法在输入空间进行增强。然而，输入空间的增强的多样性有限，而特征空间的增强更加灵活且显示了有希望的结果。然而，特征语义很少被考虑，现有特征增强方法缺乏增强特征的多样性。我们将特征分解为类通用、类特定、领域通用和领域特定组件。我们提出了一种名为 XDomainMix 的跨域特征增强方法，使我们能够增加样本的多样性，同时强调学习不变表示以实现领域泛化。对广泛使用的基准数据集的实验证明我们的方法能够实现最先进的性能。定量分析表明我们的特征增强方法有助于学习在不同领域中都不变的有效模型。
发现论文，激发创造
  • 因果灵感的隐变量增强单域泛化

    通过基于因果学习和干预的方法，我们提出了一种新颖的因果启发潜在特征增强方法，用于单域泛化，我们可以生成多样的隐式特征级变换，在潜在空间中更好地补偿对初始有限图像级变换的依赖，捕捉更稳定的领域不变因果特征以实现泛化。

    Jun, 2024

  • 特征评论家网络用于异构域通用化

    该论文提出一种学会学习的方法，通过学习辅助损失本身来提高模型的泛化能力，进而应用于领域推广的问题，包括传统领域推广和异构域推广。实验结果表明，该方法在两种情况下优于现有的解决方案。

    Jan, 2019

  • 混合训练使领域泛化变得轻而易举

    本文提出了一种基于 Mixup 的领域不变特征增强方法 (FIX) 和进一步增强判别能力的改进方法 (FIXED)，在图像分类和时间序列分析等领域得到了广泛实验验证并成功提高测试精度。

    Nov, 2022

  • 特征空间中的数据集增强

    该研究提出了一种基于简单转换的数据集增强方法，通过在已有数据点上进行特征空间的变换，从而促进监督和无监督学习技术在静态和序列数据上的应用。

    Feb, 2017

  • 利用样式增强特征域混合的组织病理学图像分析以提高泛化能力

    本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

    Oct, 2023

  • 数据增强的潜力：领域泛化的视角

    探索数据增强提高模型泛化效果的方法，从领域泛化的角度出发，揭示目前最先进数据增强方法的局限性，并探讨优化方法。结果表明，即使使用最好的数据增强技术，在训练时使用的扭曲操作也不能提供足够的鲁棒性，这表明了增强示例的未被开发的潜力。

    Jul, 2020

  • 重新思考领域泛化基线

    本文针对深度学习部署时出现的不稳定问题，研究了领域泛化方法和数据增强策略。作者聚焦于风格迁移数据增强，展示了如何以简便廉价的策略实现增强，分析了现有领域泛化方法与该策略结合时的表现，并提出了新的领域泛化研究方向。

    Jan, 2021

  • 预测你将学到什么：非平稳环境下领域泛化的数据增强

    本文提出了一种新的演化域广义化方法，即 Directional Domain Augmentation (DDA)，并采用表示空间中的元学习方法解决了双层优化问题，该方法在合成数据集和现实世界数据集上进行了实际测试，并取得优于其他现有方法的结果。

    Jan, 2023

  • 单域泛化的新型交叉扰动

    单域广义化通过在单个源域上训练以提高模型对未知域的泛化能力，然而，有限的训练数据多样性影响了域不变特征的学习，导致泛化性能下降。为了解决这个问题，我们提出了一种名为 CPerb 的简单而有效的跨扰动方法，该方法利用水平和垂直操作来增强训练数据的多样性，从不同角度学习具有相同语义类别样本的多路扰动，并引入一种名为 MixPatch 的新型特征级扰动方法来进一步增加训练数据的多样性。在各种基准数据集上的广泛实验证明了我们方法的有效性。

    Aug, 2023

  • 基于增强的域泛化用于语义分割

    本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。 实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。

    Apr, 2023