論文の概要: Generalizing to Unseen Domains: A Survey on Domain Generalization
- arxiv url: http://arxiv.org/abs/2103.03097v1
- Date: Tue, 2 Mar 2021 06:04:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-08 00:20:28.543138
- Title: Generalizing to Unseen Domains: A Survey on Domain Generalization
- Title(参考訳): 見えないドメインへの一般化:ドメイン一般化に関する調査
- Authors: Jindong Wang, Cuiling Lan, Chang Liu, Yidong Ouyang, Tao Qin
- Abstract要約: ドメイン一般化は、1つまたは複数の異なるが関連するドメインが与えられる困難な設定を扱う。
目標は、目に見えないテストドメインに一般化できるモデルを学ぶことです。
本稿では,領域一般化の最近の進歩に対する最初のレビューを紹介する。
- 参考スコア(独自算出の注目度): 59.16754307820612
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain generalization (DG), i.e., out-of-distribution generalization, has
attracted increased interests in recent years. Domain generalization deals with
a challenging setting where one or several different but related domain(s) are
given, and the goal is to learn a model that can generalize to an unseen test
domain. For years, great progress has been achieved. This paper presents the
first review for recent advances in domain generalization. First, we provide a
formal definition of domain generalization and discuss several related fields.
Next, we thoroughly review the theories related to domain generalization and
carefully analyze the theory behind generalization. Then, we categorize recent
algorithms into three classes and present them in detail: data manipulation,
representation learning, and learning strategy, each of which contains several
popular algorithms. Third, we introduce the commonly used datasets and
applications. Finally, we summarize existing literature and present some
potential research topics for the future.
- Abstract(参考訳): ドメイン一般化(Domain Generalization, DG)、すなわち分布外一般化(out-of-distriion generalization)は近年、関心を集めている。
ドメイン一般化は、1つまたは複数の異なるが関連するドメインが与えられる困難な設定を扱い、目的は目に見えないテストドメインに一般化できるモデルを学ぶことです。
長年、大きな進歩を遂げてきた。
本稿では,領域一般化の最近の進歩に対する最初のレビューを紹介する。
まず、ドメイン一般化の形式的な定義を提供し、いくつかの関連分野について議論します。
次に、ドメイン一般化に関する理論を徹底的に検討し、一般化の背後にある理論を慎重に分析する。
次に,最近のアルゴリズムを3つのクラスに分類し,データ操作,表現学習,学習戦略を詳細に提示する。
第三に、一般的なデータセットとアプリケーションを紹介します。
最後に,既存の文献を要約し,今後の研究課題について紹介する。
関連論文リスト
- Domain Generalization via Causal Adjustment for Cross-Domain Sentiment
Analysis [59.73582306457387]
クロスドメイン感情分析における領域一般化の問題に焦点をあてる。
本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。
一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
論文 参考訳(メタデータ) (2024-02-22T13:26:56Z) - A Survey on Domain Generalization for Medical Image Analysis [9.410880477358942]
MedIAのドメイン一般化は、未知のデータ分散を効果的に一般化し、堅牢に実行することで、ドメインシフトの課題に対処することを目的としている。
医療分野におけるドメインシフトとドメイン一般化の正式な定義を提供し、関連するいくつかの設定について議論する。
データ操作レベル,特徴表現レベル,モデルトレーニングレベルという3つの視点から,最近の手法を要約し,いくつかのアルゴリズムを詳細に提示する。
論文 参考訳(メタデータ) (2024-02-07T17:08:27Z) - Federated Domain Generalization: A Survey [12.84261944926547]
機械学習では、データはさまざまなデバイス、組織、エッジノードに分散されることが多い。
この課題に応えて、連邦領域の一般化への関心が高まっている。
本稿では,この領域における最近の進歩に関する最初の調査について述べる。
論文 参考訳(メタデータ) (2023-06-02T07:55:42Z) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳(メタデータ) (2022-03-24T11:54:59Z) - Open Domain Generalization with Domain-Augmented Meta-Learning [83.59952915761141]
オープンドメイン一般化(OpenDG)の新しい実践的問題について研究する。
本稿では,オープンドメイン一般化表現を学ぶためのメタ学習フレームワークを提案する。
種々のマルチドメインデータセットの実験結果から、提案したドメイン拡張メタラーニング(DAML)が、未確認ドメイン認識の先行手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-04-08T09:12:24Z) - Domain Generalization: A Survey [146.68420112164577]
ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。
初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
論文 参考訳(メタデータ) (2021-03-03T16:12:22Z) - Learning to Learn with Variational Information Bottleneck for Domain
Generalization [128.90691697063616]
ドメイン一般化モデルは、これまで見つからなかった領域に一般化することを学ぶが、予測の不確実性とドメインシフトに悩まされる。
ドメイン一般化のための確率論的メタラーニングモデルを導入し、ドメイン間で共有されるパラメータを分布としてモデル化する。
ドメインシフトに対処するため、メタ変動情報ボトルネックという提案原則を用いてドメイン不変表現を学習し、メタVIBと呼ぶ。
論文 参考訳(メタデータ) (2020-07-15T12:05:52Z) - In Search of Lost Domain Generalization [25.43757332883202]
ドメインの一般化のためのテストベッドであるDomainBedを実装します。
DomainBedを用いて広範な実験を行い、慎重に実装すると、経験的リスク最小化が最先端のパフォーマンスを示すことを確かめる。
論文 参考訳(メタデータ) (2020-07-02T23:08:07Z) - Representation via Representations: Domain Generalization via
Adversarially Learned Invariant Representations [14.751829773340537]
複数の「研究」(または領域)から不変表現を学習するための敵対的検閲手法について検討する。
医学的な予測のような多くの文脈において、人口の多い地域での研究からの領域の一般化は、アルゴリズム的公正性に関する以前の研究では予想されていなかった、異なる風味の公平性を提供する。
論文 参考訳(メタデータ) (2020-06-20T02:35:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。