- 不精确学习的领域泛化
不确定域泛化是一个具有挑战性的问题,我们提出了模糊域泛化框架,通过不确定风险优化和模型框架的结合来解决此问题,并展示了将不确定性集成到域泛化中所带来的好处。
- 时序集成扩散模型的稳健半监督分割
本研究侧重于使用扩散模型进行半监督图像分割,特别是针对领域泛化问题,结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性,通过利用信息密集的小步骤和较大步骤的正则化效果生成预测,该模型在领域变化设置中表现出明显较好的性能且在领域内保持 - 通过风险分布匹配实现领域泛化
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。
- MammoDG:泛化深度学习突破多中心交叉领域乳腺癌筛查的限制
通过开发 MammoDG,一个新颖的深度学习框架,借鉴多视角乳房 X 光和一种新颖的对比机制以提高泛化能力,研究人员证明了领域泛化对于可靠的乳房 X 光分析中的重要性,突出了该方法的优越性。
- 使用双向编码器视觉变换器进行领域泛化
本文旨在探讨如何在面对数据分布与所训练模型不同的情况下,通过使用视觉转换器架构进行域泛化,并取得了显著的验证和测试准确度提高,成功地克服了内部分布和超出分布数据之间的差距。
- Dis-AE: 多域多任务泛化的真实世界临床数据
该论文提出了一种新颖的去纠缠自编码器 (Dis-AE) 神经网络结构,可以学习领域不变的数据表示,实现多标记医学测量分类的领域泛化,并评估其在多个领域上的泛化能力。
- 意大利厨师能教印度机械师什么?情境和地点通用的动作识别
本篇论文提出了一种行动识别的泛化问题,使用介绍了包含大型 Ego4D 数据集中的 1.1M 视频剪辑的 ARGO1M 数据集,对 10 个场景和 13 个位置进行分类。作者提出了一种名为 CIR 的方法,通过复制其他领域的视频的重建,并利用 - ACL行为学习中泛化的跨职能分析
介绍了一种行为学习分析方法 BeLUGA,评估针对不同粒度级别的维度的泛化以及优化行为特定的损失函数并比较不同的正则化和域泛化方法对于 NLP 任务泛化性能的影响。
- 生成模型改善在分布偏移下医疗分类器的公平性
通过使用生成模型以标签有效的方式从数据中自动学习逼真的增强,我们展示了这种方法如何通过改进领域通用性来提高医学成像数据的鲁棒性和算法公平性。
- CVPRSUPRA: 超像素引导的损失函数改进内窥镜多模态分割
本研究提出了一种名为 SUPRA 的方法,结合 SLICLoss 和 BCE loss,使用数据聚类技术对内窥镜图像进行分割处理,能够有效提升深度学习方法的跨模态泛化性能,减小因颜色变化造成的误差,实验结果表明本方法相较于传统方法可以提升近 - 面向未知分布的对抗鲁棒性
该研究探讨了在深度学习领域,对抗性鲁棒性的问题及其解决方法,提出了领域泛化和风险外推方法来应对不同攻击方式,对测试攻击的准确率得到了大幅提升。
- 领域对抗深度图像生成用于领域泛化
本文介绍了一种基于深度生成对抗网络的领域泛化方法,通过生成新的数据使学习模型适应未知的测试领域,从而提高模型的准确性和鲁棒性。
- ICML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。