关键词domain-specific features
搜索结果 - 6
- ROSE: 基于注册辅助的泛时间序列预测与分解频率学习
ROSE 是一种基于预训练的时间序列预测模型,通过使用分解频率学习和时间序列寄存器来获取统一的跨域表示,并在下游任务中进行领域自适应转移,取得了与现有方法相媲美甚至更优越的预测性能。
- 梯度对齐用于跨域人脸反欺诈
介绍了一种新颖的学习目标 GAC-FAS,该目标鼓励模型收敛到一个最优的平坦最小值而不需要额外的学习模块,通过在每个域上识别升序点并调节在这些点的泛化梯度更新,使得模型对领域变化具有稳健性。在具有挑战性的跨领域 FAS 数据集上进行了严格测 - DISPEL:领域通用性通过领域特定的解放
本文从识别不同的属性组作为领域共享或领域特有属性,提出了一个称为 DISPEL 的后处理微调方法,该方法可以过滤掉嵌入空间中未定义和无法区分的领域特有特征。DISPEL 框架高度灵活,可以应用于任何微调模型,实验结果在五个基准测试上表明 D - 多域文本分类的鲁棒对比对齐方法
该研究提出了一种旨在通过监督对比学习将多个领域的文本分类特征对齐到同一特征空间中的稳健对比对齐方法,以实现多领域文本分类,消除了新兴领域增多带来的效率低下问题,从而只需两个通用特征提取器。实验结果表明,该方法在多个领域中效果良好。
- AAAI广义域条件自适应网络
本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法,通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。
- 跨领域推荐中用户偏好的等价转换
本文主要研究了不同领域共享相同用户但没有重叠项目的情况下的交叉领域推荐问题,并提出了一种基于等效转换学习的方法,该方法可以在不压制领域特定特征的前提下,学习用户喜好的两种特征并相互转换,相关实验表明,该方法比当前最先进的方法更加有效。