关键词temporal domain generalization
搜索结果 - 4
- AAAI利用 Koopman 算子在时间领域之间进行泛化
我们通过对条件分布进行对齐得出新的理论结果,证明其能够减少泛化边界,同时通过应用 Koopman 神经算子解决时间域泛化问题,提出了 Temporal Koopman Networks (TKNets) 方法,并通过合成和真实数据集进行实证 - 基于提示的高效时域泛化
我们的研究论文提出了一种新颖的基于提示的时间域泛化方法,该方法具有参数高效、时间高效的特点,并且在训练过程中不需要访问目标域数据(即未来时间段的数据)。我们的方法通过学习全局提示、领域特定提示和感知潜在时间动态的提示,使目标预训练模型适应时 - CODA: 基于概念漂移模拟器的时间域泛化
通过数据为中心的视角解决概念漂移问题,提出了一个模型无关的时间域泛化方法,使用 COncept Drift simulAtor (CODA) 框架通过预测的特征相关矩阵模拟未来数据来训练模型,有效地实现了不同模型结构的时间域泛化。
- ICLR基于漂移感知动态神经网络的时域泛化
提出了一种名为 DRAIN 的方法来解决时域领域通用问题,通过 Bayesian 方法建立动态图结构神经网络,在考虑模型参数和数据分布在不同时间点的动态漂移的同时,提供了理论保证,具有较高的有效性和效率。