Chinese contentBMTL 提出 Banach 空间域适应方法:用 L1 密度正则对齐特征流形
做域适应的人可以看看这篇:把 L2 换成 L1 Banach 范数正则,靠 Scheffe 定理直接收紧 TV 距离,在 Office+Caltech10 的 12 个迁移上比 DMDA 平均高 3.68%。论文还把三种几何摆在一起对比,理论味比较足。
做域适应的人可以看看这篇:把 L2 换成 L1 Banach 范数正则,靠 Scheffe 定理直接收紧 TV 距离,在 Office+Caltech10 的 12 个迁移上比 DMDA 平均高 3.68%。论文还把三种几何摆在一起对比,理论味比较足。
训练好的皮肤癌模型换医院数据就不准?这篇论文的做法不用回传源数据,5 个数据集 AUROC 到 86.1%,参数量还小,代码开源能跑。
手语识别资源少,这篇论文用域自适应做跨手语迁移,比传统迁移学习效果好,还比较了RGB和光流,值得做手语识别的朋友看看。
这篇论文用扩散模型来对齐强化学习中的不同环境动态,不用额外复杂设计就能搞定域适应,比现有方法好。
想看看现在的VLM在专业视频场景下有多拉胯?这篇论文搞了个AnyGroundBench基准,测了15个模型在动物、手术等5个领域的表现,结果全翻车了。
仿真到真实迁移一直难做,这篇论文的AIDA方法在目标数据极少时仍能大幅提升性能,比之前的方法强不少。
做呼吸疾病音频诊断或短音频分类的团队,可以直接借鉴CoughSense的主动帧池化和域自适应方案,解决Whisper在短信号上的静音稀释痛点。
这篇论文把鲁棒性、域适应等一堆看似无关的问题统一成了一个统计框架,做表示学习或模型泛化的研究者可以直接用匹配原则指导正则化器设计,省去试错成本。