综述
- 摘要
- 1.INTRODUCTION
- 2.BACKGROUND
- 3 METHODOLOGIES:A SURVEY
- 3.1 Domain Alignment(领域对齐)
- 3.2 Meta-Learning(元学习)
- 3.3 Data Augmentation (数据增强)
- 3.4 Ensemble Learning (集成学习)
- 3.5 Network Architecture Design (网络架构设计)
- 3.6 Self-Supervised Learning (自监督学习)
- 3.7 Learning Disentangled Representations (学习解耦表示)
- 3.8 Invariant Risk Minimization (不变风险最小化)
- 3.9 Training Heuristics (训练启发法)
- 3.10 Side Information (辅助信息)
- 3.11 Transfer Learning(迁移学习)
- 4. FUTURE RESEARCH DIRECTIONS
- 5. CONCLUSION
摘要
面向非分布(OOD,out of the distribution)数据的泛化是人类的一项自然能力但机器的重现却具有挑战性。这是因为大多数统计学习算法强烈依赖于源/目标数据的i.d.假设,而在实践中,源和目标之间的领域偏移是普遍的,领域泛化(DG)的目标是通过仅使用源数据进行模型学习来实现OOD泛化。自2011年首次提出以来,DG的研究取得了很大的进展。特别是,对这一主题的深入研究已经产生了广泛的方法论,例如,那些基于领域对齐,元学习,数据增强,或集成学习,仅举几个例;并涵盖了各种应用,如物体识别,分割,动作识别,行人再识别。本文首次对近十年来的发展进行了全面的文献综述。具体来说,我们首先对DG进行了正式的定义,并将其与领域自适应和迁移学习等其他研究领域联系起来。其次,我们对现有的方法进行了全面的回顾,并根据它们的方法和动机进行了分类。最后,我们通过对未来研究方向的见解和讨论来结束本次调查。
1.INTRODUCTION
2.BACKGROUND
2.1 A Brief History of Domain Generalization
2.2 Problem Definition
2.3 Related Topics
2.4 Evaluation and Datasets
3 METHODOLOGIES:A SURVEY
3.1 Domain Alignment(领域对齐)
3.1.1 What to Align
3.1.2 How to Align
3.2 Meta-Learning(元学习)
3.3 Data Augmentation (数据增强)
3.4 Ensemble Learning (集成学习)
3.5 Network Architecture Design (网络架构设计)