实体
DomainBed
DomainBed
PulseAugur coverage of DomainBed — every cluster mentioning DomainBed across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新的SAGE方法通过考虑平坦度和梯度对齐来改进多分布学习
研究人员引入了一种名为SAGE（Spectral-Aware Gradient-Aligned Exploration）的新方法，该方法解决了多分布学习中现有泛化技术的局限性。与仅关注平坦度或梯度对齐的先前方法不同，SAGE同时考虑了损失景观的两种几何特性。在领域泛化和多任务学习基准上的实验表明，SAGE在DomainBed上取得了最先进的结果，并改进了现有的多任务学习求解器。
-
新的PARSE框架增强了图像分类中的域泛化能力
研究人员开发了一个名为PARSE（Primitive-Aware Relational Structure for domain gEneralization）的新框架，以提高跨不同域的图像分类能力。该方法将视觉识别分解为识别基本视觉元素和理解它们的空间关系。PARSE在CUB-DG基准测试上实现了4.5个百分点的准确率提升，并在DomainBed套件上取得了有竞争力的结果。
-
新的FGMix方法通过学习混合策略来改进域泛化
研究人员开发了一种名为“平坦度感知梯度混合”（FGMix）的新型域泛化技术。该方法利用数据插值和外插来扩大特征空间覆盖范围，从而提高模型的泛化能力。FGMix根据梯度兼容性分配实例权重，旨在学习能够导致更平坦的最小值和在未见域上获得更好性能的混合策略。在DomainBed基准测试上的实验表明，FGMix的性能优于现有的域泛化算法。