当测试数据和训练数据的分布相似时,基于深度神经网络的方法已经取得了惊人的性能,但如果没有相似的分布,则性能可能表现很差。因此,消除训练和测试数据之间分布变化的影响对于构建具有良好性能的深度模型至关重要。传统的方法要么假设训练数据已知的异质性(例如域标签),要么假设不同域的容量近似相等。在本文中,我们考虑一个更具有挑战性的情况,即上述两种假设都不成立。为了解决这一问题,我们提出通过学习训练样本的权重来消除特征之间的依赖关系,这有助于深度模型摆脱虚假的相关性,从而更加关注区分性特征和标签之间的真实联系。大量的实验清楚地证明了我们的方法在多个分布泛化基准上的有效性,与最先进的同行相比。通过大量的分布泛化基准实验,包括PACS、VLCS、mist - m和NICO,我们证明了该方法的有效性,并与最新的同类方法进行了比较。

https://www.zhuanzhi.ai/paper/dd9a8778840b02be8c81aebac3c94263

成为VIP会员查看完整内容
28

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
21+阅读 · 2021年6月28日
专知会员服务
22+阅读 · 2021年5月1日
【CVPR2021】多实例主动学习目标检测
专知会员服务
41+阅读 · 2021年4月18日
【CVPR2021】现实世界域泛化的自适应方法
专知会员服务
53+阅读 · 2021年3月31日
【CVPR2021】动态度量学习
专知会员服务
39+阅读 · 2021年3月30日
专知会员服务
61+阅读 · 2021年3月12日
专知会员服务
32+阅读 · 2021年3月7日
【CVPR2021】自监督几何感知
专知会员服务
45+阅读 · 2021年3月6日
专知会员服务
26+阅读 · 2021年3月5日
【CVPR2021】跨模态检索的概率嵌入
专知
16+阅读 · 2021年3月2日
迁移自适应学习最新综述,附21页论文下载
A Robust Approach to ARMA Factor Modeling
Arxiv
0+阅读 · 2021年7月8日
Arxiv
5+阅读 · 2018年10月23日
Arxiv
10+阅读 · 2018年3月23日
VIP会员
相关VIP内容
专知会员服务
21+阅读 · 2021年6月28日
专知会员服务
22+阅读 · 2021年5月1日
【CVPR2021】多实例主动学习目标检测
专知会员服务
41+阅读 · 2021年4月18日
【CVPR2021】现实世界域泛化的自适应方法
专知会员服务
53+阅读 · 2021年3月31日
【CVPR2021】动态度量学习
专知会员服务
39+阅读 · 2021年3月30日
专知会员服务
61+阅读 · 2021年3月12日
专知会员服务
32+阅读 · 2021年3月7日
【CVPR2021】自监督几何感知
专知会员服务
45+阅读 · 2021年3月6日
专知会员服务
26+阅读 · 2021年3月5日
微信扫码咨询专知VIP会员