外贸网站流量分析,建设部的网站首页,模板之家免费下载方法,南京做公司网站公司一、概念 相较于领域适应#xff0c;领域泛化(Domain generalization)最显著的区别在于训练过程中不能访问测试集。 领域泛化的损失函数一般可以描述为以下形式#xff1a; 该式分为三项#xff1a;第一项表示各训练集权重的线性组合#xff0c;其中π为使该项最小的系数领域泛化(Domain generalization)最显著的区别在于训练过程中不能访问测试集。 领域泛化的损失函数一般可以描述为以下形式 该式分为三项第一项表示各训练集权重的线性组合其中π为使该项最小的系数第二项表示域间距离其中表示目标域和源域之间最小的距离、表示源域之间两两组合的最大距离第三项表示理想风险(ideal joint risk)一般情况下可以忽略。
二、分类 1.数据操作(Data manipulation) 该方法体现在对数据集的操作主要分为数据增强(Data augmentation)和数据生成(Data generation) 其中数据增强主要的方式是对图像进行尺寸、颜色、亮度、对比度的调整旋转、添加噪声等操作。可由其增强的方向分为相关数据增强和对抗数据增强。 数据生成主要有3种方式VAE、GAN(对抗生成)、Mixup(混合增强)主要的目的是增强模型的泛化能力。 2.学习表征(Representation learning) 该方法可以表征为 通过对以上式子中各部分的学习来表征域的特征主要方法有四种 ①Kernel-based method传统方法主要依赖核投射技巧 ②Domain adversarial learing对抗方法基于对抗网络进行混淆 ③Explicit feature alignment显式的减少域之间的差异域对齐 ④Invariant risk minimization范式方法 ⑤Feature disentanglement解耦提取出相同类别中共同特征 主要分为两种1.UndoBias将权重分为两种(其中为所有域的公共特征为每个域私有的特征) 2.Generative modeling使用生成网络进行解耦 3.学习策略(Learning strategy) ①Meta-learning(源学习) 将源域分解为若干个小任务 ②Ensemble learning(集成学习) 认为目标域是源域的线性组合表现在实际操作中是各种结果按照一定权重进行组合类似于投票
