論文の概要: Hierarchical Domain Generalization

• arxiv url: http://arxiv.org/abs/2607.16528v1
• Date: Fri, 17 Jul 2026 22:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.174577
• Title: Hierarchical Domain Generalization
• Title（参考訳）: 階層型ドメイン一般化
• Authors: Chenxiao Yang, Zhiyuan Li, Shai Ben-David, Nathan Srebro,
• Abstract要約: 中心的な障害は仮説クラスの複雑さだけでなく、証拠を明らかにするための列車/テスト領域分割であることを示す。 結果は、現代的な一般化理論はドメイン構造を第一級対象として扱う必要があることを示唆している。
• 参考スコア（独自算出の注目度）: 29.884205692345237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study hierarchical domain generalization as a problem of extrapolation from finite observed regions to an entire instance space, replacing i.i.d. sampling with arbitrary domain hierarchies. We show that the central obstruction is not only the complexity of the hypothesis class, but the train/test domain partition through which evidence is revealed. In particular, no matter how small the class or how large the training size, some partition makes generalization fail for some target. These results suggest that modern generalization theory must treat domain structure as a first-class object.
• Abstract（参考訳）: 有限観測領域からインスタンス空間全体への外挿問題として階層的領域一般化を考察し、任意の領域階層に置き換える。 中心的な障害は仮説クラスの複雑さだけでなく、証拠を明らかにするための列車/テスト領域分割であることを示す。 特に、クラスがどれほど小さいか、トレーニングサイズが大きいかに関わらず、いくつかのパーティションは、あるターゲットに対して一般化を失敗させる。 これらの結果は、現代的な一般化理論はドメイン構造を第一級対象として扱う必要があることを示唆している。

関連論文リスト

• When and How Does CLIP Enable Domain and Compositional Generalization? [23.728222310936374]
  ドメインの多様性は、ドメインと構成の一般化の両方に不可欠であることを示す。 一般化に成功するためには、中間層や回路で十分に共有された表現を学習する必要がある。
  論文  参考訳（メタデータ） (2025-02-13T17:21:37Z)
• Guidance Not Obstruction: A Conjugate Consistent Enhanced Strategy for Domain Generalization [50.04665252665413]
  ドメイン内のクラス間での差別的一般化の獲得が不可欠である。 分布の整合性を求めるのとは対照的に、ドメイン関係の階級間差別を保護しようと努力する。 我々は,新たな分布レベルのUniversum戦略を用いて,追加的なドメイン関係のクラス条件分布を生成する。
  論文  参考訳（メタデータ） (2024-12-13T12:25:16Z)
• 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)
• Multi-Domain Long-Tailed Learning by Augmenting Disentangled Representations [80.76164484820818]
  多くの現実世界の分類問題には、避けられない長い尾のクラスバランスの問題がある。 本稿では,この多領域長鎖学習問題について検討し,すべてのクラスとドメインにまたがってよく一般化されたモデルを作成することを目的とする。 TALLYは、選択的均衡サンプリング戦略に基づいて、ある例のセマンティック表現と別の例のドメイン関連ニュアンスを混合することでこれを達成している。
  論文  参考訳（メタデータ） (2022-10-25T21:54:26Z)
• Localized Adversarial Domain Generalization [83.4195658745378]
  対数領域の一般化は、領域の一般化に対する一般的なアプローチである。 空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。 我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-05-09T08:30:31Z)
• Failure Modes of Domain Generalization Algorithms [29.772370301145543]
  本稿では,ドメイン一般化アルゴリズムの評価フレームワークを提案する。 一般化誤差の最大の寄与要因は,手法,データセット,正規化強度,トレーニング長など多岐にわたる。
  論文  参考訳（メタデータ） (2021-11-26T20:04:19Z)
• Generalizing to Unseen Domains: A Survey on Domain Generalization [59.16754307820612]
  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。
  論文  参考訳（メタデータ） (2021-03-02T06:04:11Z)
• Single-Side Domain Generalization for Face Anti-Spoofing [91.79161815884126]
  対面型アンチスプーフィングの一般化能力を向上させるために,エンドツーエンドの単一側ドメイン一般化フレームワークを提案する。 提案手法は,4つの公開データベース上での最先端手法よりも効果的かつ優れた手法である。
  論文  参考訳（メタデータ） (2020-04-29T09:32:54Z)
• Efficient Domain Generalization via Common-Specific Low-Rank Decomposition [40.98883072715791]
  ドメイン一般化とは、トレーニング中に見えない新しいドメインに一般化するモデルを訓練するタスクである。 我々は、共通コンポーネント(新しいドメインに一般化する)とドメイン固有コンポーネント(トレーニングドメインに過度に適合する)を共同で学習するCSD(Common Specific Decomposition)を提案する。 このアルゴリズムは非常に単純で、任意のニューラルネットワークアーキテクチャの最終線形分類層を変更するだけでよい。
  論文  参考訳（メタデータ） (2020-03-28T15:17:41Z)

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。