TopologyXL-CSDN博客

原创【领域泛化】论文介绍《Learning to balance specificity and invariance for in and out of domain generalization》

在本文发表前，大多数成熟的领域泛化方法专注于学习跨所有源域不变表示的存在(DIRs方法为主)，然而，通常单个域包含独特的特征(类似域内特有信息的说法)，利用这些信息，能显著提升任务的性能。本文提出一种用于泛化的领域特定编码(DMG:Domain-specic Masks for Generalization)的方法，鼓励掩码学习领域不变特征和领域特定特征之间的平衡。

2022-11-14 20:35:23 777 1

原创【领域泛化】论文介绍《Domain generalization via multidomain discriminant analysis》

在领域泛化(DG)中，有一个很常见的假设，就是分布偏移只存在于边缘分布P(X)P(X)P(X)，即只发生先验偏移(Prior Shift)，没有发生概念偏移(Concept Shift)，条件分布（后验分布）P(Y∣X)P(Y|X)P(Y∣X)不同域是不变的，这就是为什么大多数DIR要对齐表示空间的边缘分布P(X)P(X)P(X)。但从因果分析的角度来看，只有当XXX是YYY的原因的时候，这种对齐才是有效的，但对于很多任务，特别是分类任务，Y。

2022-11-11 01:24:15 685

原创【领域泛化】论文介绍《Respecting domain relations Hypothesis invariance for domain generalization》

在领域泛化中，学习域不变表示(DIRs)是普遍的主流方法，但是DIRs完美对齐不同领域的表示是否太过严格，本文提出一种新观点假设不变表示(HIRs)，学习域不变后验，放松了DIRs的假设。在本文中，提出了表示的充分性，表示的不变性这两个概念，又证明了DIRs不利于学习域的特有信息，会损害表示的充分性，最后在公共数据集上验证了HIRs在领域泛化中的有效性和竞争性。

2022-11-09 01:15:56 914

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 【领域泛化】论文介绍《Learning to balance specificity and invariance for in and out of domain generalization》

原创 【领域泛化】论文介绍《Domain generalization via multidomain discriminant analysis》

原创 【领域泛化】论文介绍《Respecting domain relations Hypothesis invariance for domain generalization》

空空如也

空空如也

原创【领域泛化】论文介绍《Learning to balance specificity and invariance for in and out of domain generalization》

原创【领域泛化】论文介绍《Domain generalization via multidomain discriminant analysis》

原创【领域泛化】论文介绍《Respecting domain relations Hypothesis invariance for domain generalization》