DomainBed
PulseAugur coverage of DomainBed — every cluster mentioning DomainBed across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
UniF-MoE 框架统一自适应 MoE 计算，提高效率
研究人员推出了一种新颖的混合专家（MoE）计算框架 UniF-MoE，该框架统一了各种自适应策略。该方法将专家分解为块，允许先进行共享计算，然后再路由剩余部分。在 DomainBed 和 GLUE 基准测试上的实验表明，与现有的静态和动态 MoE 模型相比，UniF-MoE 在提高预测性能的同时，还减少了激活的计算量、推理延迟和内存使用量。
-
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
研究人员推出了一种新颖的多分布学习方法SAGE（Spectral-Aware Gradient-Aligned Exploration），该方法解决了现有方法中的局限性。与仅关注平坦度或梯度对齐的方法不同，SAGE同时考虑了损失景观的两种几何特性。该方法将超额风险分解为对齐项和曲率项，表明仅凭其中一项特性都不能保证最佳性能。在领域泛化和多任务学习基准上的实验表明，SAGE在DomainBed上取得了新的最先进结果，并改进了现有的多任务学习求解器。
-
新方法通过子集共享不变性学习域泛化
研究人员提出了一种新的域泛化方法，称为子集共享不变性，它解决了当前方法在所有源域中强制全局不变性的局限性。这种新技术利用混合专家架构来学习在特定域子集内稳定的预测结构，而不是普遍性的。在DomainBed基准上的实验表明，其在域外泛化和鲁棒性方面有所提高，表明通过部分共享结构来建模不变性是一个发展方向。
-
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。