PulseAugur
中
实时 14:02:15
English(EN) Rethinking the Flow-Based Gradual Domain Adaptation: A Semi-Dual Optimal Transport Perspective

新的 E-SUOT 框架增强了机器学习中的渐进式域适应

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为熵正则化半对偶非均衡最优传输 (E-SUOT) 的新框架，以改进机器学习中的渐进式域适应。该方法通过直接使用样本构建中间域来解决现有基于流的方法的局限性，避免了可能降低性能的似然估计的需要。E-SUOT 框架使用拉格朗日对偶目标重新构建问题，并结合熵正则化以实现更稳定的训练过程，实验证明其稳定性和泛化能力得到提高。 AI

影响 引入了一种改进模型在不同数据分布之间适应能力的新方法，有可能提高在存在域偏移的现实场景中的性能。

排序理由 在 arXiv 上发表的关于新机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhichao Chen, Zhan Zhuang, Yunfei Teng, Hao Wang, Fangyikang Wang, Zhengnan Li, Tianqiao Liu, Haoxuan Li, Zhouchen Lin ·

    Rethinking the Flow-Based Gradual Domain Adaptation: A Semi-Dual Optimal Transport Perspective

    arXiv:2602.01179v2 Announce Type: replace Abstract: Gradual domain adaptation (GDA) aims to mitigate domain shift by progressively adapting models from the source domain to the target domain via intermediate domains. However, real intermediate domains are often unavailable or ine…

相关话题