도메인 적응

Iniciar sesión

Información - 도메인 적응

본 논문에서는 $f$-발산 기반 도메인 적응 이론의 개선된 프레임워크를 제시하며, 특히 기존 연구에서 사용된 절댓값 함수를 제거하고 스케일링 파라미터를 도입한 새로운 불일치 척도인 f-도메인 불일치(f-DD)를 제안합니다.

훈련 데이터와 타겟 데이터 간의 공변량 변화 문제를 해결하기 위해 중요도 가중치를 사용하여 분류 및 회귀 트리(CART) 모델을 개선하는 방법을 제시합니다.

실험실 환경에서 수집된 풍부한 데이터를 활용하여 실제 산업 환경에서 수집된 부족한 데이터를 기반으로 금속 절삭 소리 감지 모델을 훈련하기 위한 적대적 도메인 적응(DA) 접근 방식을 제안합니다.

이온화된 성운 분류를 위한 기존의 머신러닝 모델은 시뮬레이션과 실제 관측 데이터 간의 불일치로 인해 어려움을 겪고 있으며, 본 연구에서는 도메인 적응 기술과 노이즈 주입을 통해 이러한 한계를 해결하여 분류 정확도를 크게 향상시켰습니다.

GLA-DA는 레이블이 지정되지 않은 대상 데이터에서 사전 학습된 소스 모델을 효과적으로 활용하기 위해 전역 특징 정렬과 지역 클래스 정렬을 결합한 새로운 비지도 도메인 적응 방법입니다.

EEG 데이터 분석에서 입력 데이터와 예측 변수 모두의 분포 변화를 동시에 처리할 수 있는 새로운 다중 소스 도메인 적응 방법인 GOPSA(Geodesic Optimization for Predictive Shift Adaptation)를 제안합니다.

DADEE는 사전 훈련된 언어 모델(PLM)의 추론 속도를 높이면서 도메인 변화에 대한 일반화 성능을 향상시키기 위해 각 층에서 적대적 학습과 지식 증류를 활용한 다단계 도메인 적응 프레임워크입니다.

고해상도 원격 감지 이미지의 비지도 도메인 적응을 위한 인과 프로토타입 영감의 대조적 적응 방법을 제안하고 실험 결과를 통해 우수성을 입증함.

도메인에 중립적인 상호 프롬프팅을 사용하여 도메인 간 지식 전달을 향상시키는 새로운 프레임워크인 DAMP의 효과적인 성능을 입증합니다.

이 논문은 원격 감지 이미지의 의미론적 분할을 위한 혁신적인 이중 도메인 이미지 퓨전 전략을 제안합니다.

Acerca de

Productos

Recursos