研究人员开发了一种基于相似性的生成网络（SGN），旨在生成与目标域一致的数据，即使在原始训练数据存在分布偏移的情况下也是如此。该框架在源数据上训练一次，即可应用于新的目标域，无需进一步的参数更新。SGN利用编码器-解码器架构学习一个由标签诱导的相似性结构化的潜在空间，从而使生成样本能够继承目标域特定的特征，同时保持类别的一致性。在图像和表格数据集上的实验表明，SGN在分布偏移下的数据增强方面非常有效。 AI
影响 提供了一个可重用的数据增强框架，可在不重新训练的情况下适应分布偏移。
排序理由 详细介绍新模型/框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
