MLDGG는 그래프의 도메인 일반화를 위해 구조 학습과 의미적 식별을 교차 다중 도메인 메타 학습과 통합하여 다양한 도메인에서 적응 가능한 일반화를 달성하는 새로운 프레임워크입니다.
본 논문에서는 딥 러닝 모델이 핵의 형태 및 구성에 초점을 맞추도록 하여 히스토병리학 이미지에서 암 진단을 위한 도메인 외 일반화를 개선하는 새로운 훈련 방법을 제안합니다.
본 논문에서는 여러 도메인에서 학습된 여러 전문가 모델의 지식을 활용하여, 보지 못한 타겟 도메인에서도 잘 작동하는 강력한 타겟 모델을 만드는 간단하면서도 효과적인 프레임워크인 LFME를 제안합니다.
본 논문에서는 내시경 영상에서 나타나는 도메인 변화 문제를 해결하기 위해 스타일 정규화 및 복원(SNR) 블록과 인스턴스 선택적 화이트닝(ISW) 블록을 결합한 새로운 프레임워크를 제안합니다.
본 논문에서는 Stable Diffusion과 Large Language Model을 활용하여 사실적이고 다양한 날씨 환경의 자율주행 이미지를 생성하는 WeatherDG를 제안하며, 이를 통해 악천후 조건에서의 의미론적 분할 모델의 일반화 성능을 향상시킵니다.
A2XP는 개인 정보를 보호하면서도 도메인 일반화 문제를 해결하는 새로운 접근 방식이다. 이는 전문가 적응과 도메인 일반화라는 두 단계로 구성되며, 전문가 프롬프트를 효과적으로 결합하여 최적의 출력을 달성한다.
데이터 노이즈가 존재할 때 경험적 위험 최소화(ERM) 기법은 특이 상관관계에 더 의존하게 되어 일반화 성능이 저하되지만, 일부 도메인 일반화 알고리즘은 노이즈 강건성을 가지고 있어 이를 완화할 수 있다.
데이터 노이즈가 경험적 위험 최소화(ERM) 방식의 일반화 성능을 저하시키는 반면, 일부 도메인 일반화(DG) 알고리즘은 노이즈 강건성을 가지고 있어 일반화 성능을 향상시킬 수 있다.
데이터 노이즈가 존재할 때 경험적 위험 최소화(ERM) 기법은 잘못된 상관관계에 의존하게 되어 일반화 성능이 저하되지만, 일부 도메인 일반화 알고리즘은 노이즈에 대한 강건성을 가지고 있어 이를 완화할 수 있다.
도메인 관계를 활용하여 도메인 특화 모델을 구축함으로써 도메인 간 일반화 성능을 향상시킬 수 있다.