- 通过分离虚假因素和增强潜在相关性学习可普遍适用的模型
通过从样本和特征角度出发,强调相关联系并消除不相关联系,我们提出了两个模块,用于提高模型的泛化能力,从而获得跨多个领域的领域不变表示,实验结果表明,嵌入这两个模块的卷积神经网络(CNNs)或多层感知机(MLPs)能够取得优秀的结果,例如在 - AAAIDI-V2X: 学习领域不变表示的车辆基础设施协同三维物体检测
通过 DI-V2X 提出了一种新的蒸馏框架,通过域混合实例增强、渐进式域不变蒸馏和域自适应融合模块来减轻 V2X 3D 物体检测中的域差异,实现了卓越的性能。
- 基于聚类的图像 - 文本图匹配模型桥接领域差距
通过融合图像和文本的多模态图形表示,我们通过考虑图像和文本描述符之间内在的语义结构得到领域不变的关键嵌入,从而实现领域泛化问题中的域不变特征学习。我们的模型在 CUB-DG 和 DomainBed 等大规模公共数据集上实验,取得了与或更好于 - AAAIPOEM: 嵌入极化用于域不变表征
本文提出了一种名为 POEM 的方法,通过学习领域不变和特定表示并将其极化来获得强大的领域泛化能力,以增强表示的领域鲁棒性。 这种方法将类别分类和领域分类嵌入结合在一起,通过减少它们之间特征的余弦相似度来使它们正交,以获得领域不变表示。 与 - 无监督口音领域自适应学习不变表示和风险最小化
本文探讨通过将语音表征映射到对应的高级语言信息以学习领域不变的语音表征,结果证明,学习到的 latents 不仅捕捉到每个音素的发音特征,而且提高了适应能力,在 accened 测试基准上大幅优于基准模型。
- 自适应特征融合实现活动识别领域通用化
本文提出了一种适应性特征融合的领域泛化方法(AFFAR),该方法通过将领域不变和领域特定表示相结合来提高模型的泛化能力,在三个公共 HAR 数据集上展开了广泛的实验,并将其应用于儿童注意缺陷多动障碍(ADHD)的诊断,证明了其优越性。
- 非监督强化适应在类别不平衡文本分类中的应用
本文提出了一种通过强化学习进行的无监督领域自适应方法,该方法联合利用了特征变体和跨领域的不平衡标签,实验表明这种方法可以成功地在不平衡的文本分类数据上适应文本分类器。
- 学习领域不变表示以多源迁移学习
本研究探讨了多源领域自适应和领域泛化设置中的目标通用损失的上界和两种领域不变表示的定义,并研究了强制学习每个领域不变表示的优缺点和权衡,并通过实验来检查这些表示的权衡,探索了我们所开发的理论的其他有趣特性。
- AFAN: 增强特征对齐网络用于跨域目标检测
本研究提出了一个新颖的增强特征对齐网络,通过引入中间域图像生成器和域敌对训练,将中间域图像逐步桥接域差异,进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法,在相似和不相似的领域适应方面具有很好的效果。
- EMNLP元学习用于多领域文本挖掘的神经语言模型的微调
本文提出了一种名为 Meta Fine-Tuning (MFT) 的有效学习过程,该过程可作为元学习器解决多个相似的自然语言处理任务,以获取高度可转移的知识,并通过优化一系列新颖的领域破坏损失函数来鼓励语言模型对领域不变表示进行编码。实验证 - 学习重叠表示用于估计个性化治疗效果
选择干预的决策取决于其潜在的利益或伤害与替代方案相比。通过观察性数据估计替代方案的可能结果是一个具有挑战性的问题,尽管深度核回归算法和后验正则化框架在多个基准数据集上表现优越,但我们发现学习输入的域不变表示的算法经常不合适,并开发以依赖于域 - 动态对抗适应网络的迁移学习
该论文提出了一种新的动态对抗自适应网络(DAAN),旨在在量化评估全局和本地域分布的相对重要性的同时,动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练,并取得了比现有方法更好的 - EMNLP域不变特征蒸馏用于跨领域情感分类
本文提出了一种用于跨域情感分类的新方法,利用属性检测这一正交的领域相关任务来提炼领域不变情感特征,实现了对领域转移的有效性验证。
- 域不变表示中的支持和可逆性
研究表明,学习领域不变表示已成为非监督领域适应的一种流行方法,但其局限性主要在于非反演变换中丢失的信息以及领域不变性是一个过于严格的要求,本研究提出了一种权衡代价的一般化界限,并建议使用测量源域覆盖目标域范围的范围来提高性能。
- 领域不变表示学习的中心矩差(CMD)
本研究提出了一种新的正则化方法,通过匹配概率分布的高阶中心矩的差异来学习域不变的特征表示,实现域自适应。结果表明,这种方法在两个不同的基准数据集上均取得了最新的性能,并显示出稳定性。