Domain Generalization and Adaptation using Low Rank Exemplar SVMs.
PulseAugur coverage of Domain Generalization and Adaptation using Low Rank Exemplar SVMs. — every cluster mentioning Domain Generalization and Adaptation using Low Rank Exemplar SVMs. across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新方法通过子集共享不变性对域泛化进行建模
研究人员开发了一种新的域泛化（DG）方法，该方法超越了在所有源域中强制全局不变性。所提出的方法称为子集共享不变性，它假设预测结构仅在特定域子集中是稳定的。这是使用混合专家架构实现的，其中每个专家专门负责对齐某些域，并且路由机制将这些子集不变组件组合起来进行预测。在DomainBed基准测试上的实验表明，在域异质性增加的情况下，模型在域外泛化和鲁棒性方面得到了改善。
-
新研究应对人类活动识别中的领域泛化挑战
一篇新研究论文探讨了由于分布偏移导致的人类活动识别（HAR）领域泛化挑战。该研究系统地评估了四种类型的偏移——设备类型、传感器放置、采样率和用户行为——发现多样性偏移占主导地位。该论文提出了一个HAR分布偏移基准，并评估了28种领域泛化方法，揭示了当前算法在实现模型泛化能力方面的局限性。
-
新研究探讨领域泛化方法，包括简单基线和新型优化器
研究人员正在探索机器学习领域泛化（DG）和开放域泛化（ODG）的新方法。一项研究表明，像CORAL和MMD这样的简单DG方法在ODG方面可以与更复杂的方法相媲美，并提出了在保持性能的同时降低计算成本的扩展。另一篇论文引入了一个用于DG的反因果设置，通过惩罚模型对协变量变化的敏感性来利用未标记数据。此外，还提出了一种名为GENIE的新优化器，它使用单步泛化率来平衡参数更新并促进领域不变特征的学习，性能优于现有方法。
-
新基准 MMDG-Bench 推动多模态域泛化
研究人员推出了 MMDG-Bench，这是一个旨在推动多模态域泛化的新基准。该基准解决了多模态学习和域泛化领域缺乏标准化评估的问题，尤其是在动作识别之外的领域。MMDG-Bench 包含两个框架 D2M 和 M2D，并为视频-音频-流动作识别和 RGB-深度-IR 人脸防伪等任务提供了统一的实验协议。分析表明，集成域泛化技术可持续提高泛化能力，而 D2M 和 M2D 之间的选择取决于模态间的稳定性。