Generalizing to Unseen Domains via Adversarial Data Augmentation 正文

最新推荐文章于 2024-09-14 19:18:15 发布

AZTT911

最新推荐文章于 2024-09-14 19:18:15 发布

阅读量1k

点赞数

分类专栏：迁移学习文章标签：迁移学习深度学习

本文链接：https://blog.csdn.net/qq_29255849/article/details/84448069

版权

该论文提出了一种通过对抗数据增强来提升模型在未知领域泛化能力的方法。在无法获取目标领域数据的环境中，该方法利用Wasserstein距离在语义空间中定义对抗样本，确保模型对协变量转移的鲁棒性。通过迭代过程，模型逐渐适应不同级别的数据偏移，从而在多种实际应用场景如自动驾驶和语义分割中展现出更好的泛化性能。

摘要由CSDN通过智能技术生成

“Generalizing to Unseen Domains via Adversarial Data Augmentation” 论文翻译正文

纯手打，相互学习，如有问题还望指正。
部分英文术语属于最新提出，会直接贴出英文，抱歉。
深度学习，文本分析等问题可以加QQ交流，相互学习。有好的论文也可推荐：QQ：1307629084
留学党有时差，回复不及时还请见谅。
论文归类：迁移学习

原文链接： link.
相关源码： link.
本篇论文作者：Riccardo Volpi, Hongseok Namkoong, Ozan Sener, John Duchi, Vittorio Murino, Silvio Savarese
论文发表时间：2018.11.6

论文题目：通过对抗数据增强泛化到未知域

1 .导入

在许多机器学习的现代应用中，我们希望学习一种能够在多个人群中均匀表现的系统。但由于数据采集成本高，所以数据集中的人口来源通常有限。在对数据集进行验证评估时表现良好的标准模型，通常从相同人群中的训练数据集中收集，所以一般对不同于训练数据集的人群表现不佳。在本文中，我们关注的是在我们无法访问来自未知目标分布的任何数据的环境中，对不同于训练分布的人群进行推广。例如，考虑一个自动驾驶汽车的模块，需要在整个天气条件和培训期间未开发的城市环境中进行泛化。

许多作者在