invariant representation learning | BriefGPT

关键词invariant representation learning

搜索结果 - 9

当不变表示学习遇到标签漂移：不充分性和理论洞察
该论文研究了数据集转移理论和不变表示学习算法，提出了广义标签转移（GLS）理论，并通过推导信息量化的一般化界限和基于贝叶斯观点证明了 GLS 学习器与最优目标模型的足够接近性；同时提出了基于内核嵌入的校正算法（KECA），通过最小化泛化误差
PDF10 days ago
ICLR多个协变量偏移和不平衡的图像数据集汇集
通过范畴论的视角，本研究提出了一种简单而有效的解决方案，用于处理小样本量、数据集合并、协变量不平衡以及参数过多模型等问题，并通过实验验证了该方法的有效性。
PDF4 months ago
AAAI诊断和纠正虚假 OOD 不变性：一种重构的因果方法
通过评估一个不变表示学习（IRL）家族（InvRat）在部分信息和全部信息的不变特征结构因果模型（PIIF SCM / FIIF SCM）中的弱点，然后统一它们的因果图以提出重新结构化的 SCM（RS-SCM），该论文综述了 IRL 通过重
PDF7 months ago
应对子群体稀缺的分布自适应优化与不变表示学习：机制与局限
通过全面的评估研究，我们首先展示了在医学图像分类中，当偏见不是性能不佳的唯一原因时，对于表现不佳样本的泛化再加权可能存在问题，同时也表明了朴素的不变表示学习在自身存在虚假相关性时也存在问题。然后，我们提出了一种新的方法，利用鲁棒优化来促进在
PDFa year ago
基于对比特征对齐的不变表示学习用于抗干扰 SAR 目标识别
该研究提出了一种名为对比特征对齐 (CFA) 的解决方案，旨在学习具有稳健性的不变表示形式，通过联合分类损失和通道加权平均平方误差 (CWMSE) 损失来训练模型，以获得逐步学习不变目标表示的能力，该方法在 MSTAR 数据集和六种 DNN
PDFa year ago
学习列表级领域不变表示以进行排名
对排名问题进行领域适应的方法是通过学习列表级领域不变特征表示来实现的。理论上，我们建立了一个适用于 MRR 和 NDCG 等列表度量的领域适应泛化界限。通过对真实世界排名任务的无监督领域适应实验表明了其效果。
PDF2 years ago
CVPR等变性允许处理汇集神经影像数据中的多个干扰变量
本文提出了使用变换表示学习方法，在考虑多个混淆变量影响影像测量数据的情况下，实现对多个神经影像数据集进行分析。
PDF2 years ago
物体标志表示的等变和不变学习
该论文提出了一种将基于实例和空间差异的对比学习相结合的简单而有效的方法，在训练的中间层次中表示对象明显地预测对象地标，通过空间对比学习进一步提高匹配和少量样本标志物回归任务的性能。该方法优于现有同类方法，并在标志物学习的标准基准测试以及该论
PDF4 years ago
无需对抗训练的不变表征
无需对抗训练，使用信息论优化能够直接获得可控转换的公平表示和生成建模的最新性能
PDF6 years ago