- 基于多视角知识融合的异构联邦学习中的交叉训练
通过整合多视角信息，将个性化和全局知识相结合的联邦学习方法 FedCT 具有优于最先进方法的效果，并能减轻模型对本地和全局视图的知识遗忘问题。
- IJCAI跨领域特征增强的域泛化
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 - 通过文本引导的多样的新颖特征合成将 CLIP 普及到未知领域
我们提出了一种插拔式特征增强方法，称为 LDFS（语言引导的多样特征合成），通过合成新领域特征和改进现有的 CLIP 微调策略，从未见过的领域中提高 CLIP 的泛化能力，而无需从这些领域收集数据。
- 基于网络控制理论的特征增强以提高图机器学习性能
在缺乏节点级信息的情况下，将网络控制理论（NCT）与特征增强相结合，可以大幅提高图神经网络（GNNs）的性能，进而拓展其应用范围。
- CVPR基于潜变扩散模型的长尾识别
通过基于隐式扩散模型的特征增强方法，本研究解决计算机视觉中的长尾不平衡分布问题，并在 CIFAR-LT 和 ImageNet-LT 数据集上验证了模型的准确性提升。
- FeatAug: 从一对多关系表中自动进行特征增强
特征增强是机器学习模型开发中的一个关键问题，该论文提出了一种新的特征增强框架 FEATAUG，该框架可以从一对多关系表中自动提取谓词感知的 SQL 查询，并通过超参数优化和 Beam 搜索等技术提高算法性能。
- GCFA：通过形状空间理论进行测地线特征增强
基于形状空间理论，我们提出了一种特征增强方法，即测地线曲线特征增强（Geodesic Curve Feature Augmentation，GCFA），它能够在小样本环境下显著改善数据预处理模型的性能。
- 迁移学习的可行性：一个数学框架
本文探讨了迁移学习的可行性问题，并构建了一个数学框架，将三个步骤的迁移学习过程形式化为一个优化问题，研究发现在适当的损失函数和数据集选择下，存在迁移学习的最佳过程，这些研究为特征增强在模型性能中的影响，域适应的潜在扩展以及在图像分类中进行高 - AAAI指针转换器：用于旅行商问题的深度强化多指针 Transformer
本文提出了一种新的端到端深度强化学习方法 Pointerformer，基于多指针变压器，可解决旅行商问题（TSP）的内存消耗和算力问题，通过特征增强方法探索 TSP 的对称性以及增强上下文嵌入方法以包含更多综合上下文信息，此方法在小规模和大 - 跨类特征增强的类增量学习
本文提出了一种新颖的类别增量学习方法，通过引入基于对抗攻击的特征增强技术。通过使用先前学习的分类器来补充训练样本，而不仅仅在后续模型中起到知识蒸馏的教师作用。该方法在类别增量学习中利用以前的知识有独特视角，因为它使用其他类别的示例通过先前学 - KDDCOSTA: 基于协方差保持的图对比学习特征增强
本文提出了一种基于 COvariance-preServing feaTure space Augmentation (COSTA) 的图对比学习 (Graph Contrastive Learning) 方法，通过在隐藏特征层面上进行特征 - CVPR强预训练模型实现类别增量学习
在大规模的 ImageNet 数据集上，我们探索了一种从已经训练好的模型中增量学习的方法，通过二阶段训练方案，融合与增强，我们的方法比现有的方法在准确率上提高了 10%。
- CVPR可转移的领域自适应语义增强
本文介绍了一种新的领域自适应方法，即 Transferable Semantic Augmentation (TSA)，该方法通过隐式地生成目标语义，提高分类器适应能力，来改进现有领域适应算法中的特征表示问题。具体方法是使用多元正态分布来进 - 长尾实例分割的特征增强和采样调整（FASA）
我们提出了一种名为 FASA（Feature Augmentation and Sampling Adaptation）的方法，通过对稀有类别的特征空间进行增强以解决数据稀缺问题，该方法适用于标准或长尾分割框架，并可适用于其他任务，如长尾分 - ICCV用于细粒度少样本分类的变分特征解缠方法
本文研究了如何通过增大少样本学习中的类内方差，以提高图像的分类效果，通过变分推断的方式将类内方差分布从基本集合转移到新集合中。实验结果表明，在具有挑战性的细粒度少样本图像分类基准上，该方法在状态 - of-the-art 的方法上有明显提升 - 基于层级图神经网络的深度多任务增强特征学习
本文提出了一种基于图神经网络的层级特征增强方法（HGNN），适用于深度多任务学习，通过学习任务之间的共同信息并使用特征增强策略，实现了性能提升。
- ACL将语义知识融合应用于零样本文本分类
本文提出了一个两阶段的框架，结合了数据扩充和特征扩充来解决零样本文本分类问题，同时将四种语义知识结构（词嵌入，类别描述，类层次结构和通用知识图谱）纳入到该框架中，实验结果表明，该框架的单独和联合两个阶段相比基线和最近的方法均获得了最佳的整体 - KDD基于多路注意力网络的基于检索的问答和响应预测模型
本文提出了一种新的组合特征增强模型 ——MCAN，将关注机制用于特征增强，适用于会话建模和问答排名等多种任务，此模型可以同时执行多个关注类型和变形种类等多种操作，并且在四个基准数据集上取得了最好的性能表现。
- CVPR对抗性特征增强用于无监督域适应
本研究使用生成对抗网络（GANs）的目标函数来学习与源数据集不可区分的目标特征，并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明，强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性 - EMNLP基于词嵌入的特征对讽刺检测有用吗？
本文探讨在利用词向量进行讽刺检测时，通过加入语义相似性 / 不一致性的方法，对四种特征集进行了改进，发现无论使用哪种嵌入或将其附加到哪个原始特征集上，都能提高讽刺检测的性能，其中使用 Word2Vec 嵌入时，F 分数提高了约 4％，而依赖