登录免费注册

首页  思维导图  详情



 



域泛化

域泛化

2021-05-05 17:26:23   3  举报





AI智能生成

机器学习领域，域泛化当前研究进展

泛化

深度学习

模板推荐

作者其他创作

大纲/内容

研究意义

AI发展很快<br>依然存在问题

大多数深度学习算法在同分布情况下性能很好，在分布外性能受限

解决上述问题，难度很高

统计机器学习，完全数据驱动，弱化了人类先验知识

解决该问题最理想的方法是搜集大量样本，但是

数据构建成本大

奢侈品包包，一个好几万

数据敏感

医学图像涉及病人隐私

研究域泛化对于提升AI的落地性能有帮助

降低数据集对大规模、无偏、多样性抽样的要求

提升模型面对不确定未知场景是的鲁棒性

研究域泛化对于推动模式识别相关领域的研究有帮助

解耦表示学习

因果关系分析

可解释性

研究背景

传统算法中的泛化性研究

正则化惩罚项

决策树剪枝

最小描述长度

特征选择

深度学习中的泛化性

优化策略

earlystop

模型视角

对参数添加L1L2正则项loss

dropout

BatchNorm

数据视角

数据增强

对抗样本

通用泛化性 vs <br>跨域泛化性

假设

通过泛化：假设满足IID

跨域泛化：并不满足IID

相关因子满足IID

无关因子不满足IID

目标

通用泛化：防止模型过拟合到数据集中的噪声或者离群点

跨域泛化：提升模型在分布未知的域上的泛化性

方法：

通用泛化：降低模型复杂度或者提升数据集多样性

跨域泛化：关注任务相关因子

研究现状

数据视角

模型视角

优化策略视角

研究方法

 Collect

Get Started

音乐泛需求分支2

 Collect

Get Started

泛化

 Collect

Get Started

眸迪私域规划方案

 Collect

Get Started

音乐泛需求分支2













评论

0 条评论

下一页



图形选择

思维导图

主题

补充说明

AI生成





修改AI描述

去编辑

重新生成

提示 

关闭后当前内容将不会保存，是否继续？

取消

确定

Document