在領域泛化 (Domain Generalization, DG) 任務中,當領域的分佈隨環境連續變化時,如何準確地捕捉該變化以及其對模型的影響是非常重要但也極富挑戰的問題。為此,來自Emory 大學的趙亮教授團隊,提出了一種基於貝葉斯理論的時間域泛化框架DRAIN,利用遞歸網路學習時間維度領域分佈的漂移,同時透過動態神經網路以及圖生成技術的結合最大化模型的表達能力,實現對未來未知領域上的模型泛化與預測。本工作已入選 ICLR 2023 Oral (Top 5% among accepted papers)。
以上是漂移感知動態神經網路加持,時間域泛化新框架遠超領域泛化&適應方法的詳細內容。更多資訊請關注PHP中文網其他相關文章!