Papers with Code 아카이브
Domain Adaptation
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 13
- 평가표
- 58
- 보존된 평가 기록
- 391
Domain Adaptation is the task of adapting models across domains. This is motivated by the challenge where the test and training datasets fall from different data distributions due to some factor. Domain adaptation aims to build machine learning models that can be generalized into a target domain and dealing with the discrepancy across domain distributions.
Further readings:
<span style="color:grey; opacity: 0.6">( Image credit: Unsupervised Image-to-Image Translation Networks )</span>
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
LaCoVL-FER: 얼굴 표정 인식을 위한 랜드마크 기반 대조 학습 네트워크와 비전-언어 강화
일반화된 스테레오 매칭을 위한 단안 깊이 임베딩 재고찰
연속 메타데이터 컨디셔닝을 활용한 동물 재식별을 위한 매개변수 효율적 비전-언어 적응
테스트 타임 프롬프트 적응을 통한 비전-언어 모델의 강건화
TCLA: 의료 비전-언어 모델을 위한 학습 없는 클래스별 로짓 적응
LLM 기반 ASR 시스템에서 합성 음성을 활용하는 방법
SQuaD-SQL: LLM 기반 지식 증류를 통한 소형 언어 모델의 효율적인 Text-to-SQL
합성 음성만 있을 때: GRPO를 선택하라
FedDAF: 모델 함수적 거리를 활용한 연합 도메인 적응
교차 피험자 운동 심상의 다양체 학습을 위한 기하학 인식 심층 합동 변환 네트워크
다중 분포 강건 컨포멀 예측
보정 정렬을 통한 공변량 불일치 하에서의 RCT 기반 처치 효과 추정 개선
SHIFT: 불완전하고 이질적인 유전체 데이터로부터의 생존 예측
확장 가능하고 신뢰할 수 있는 지구 관측 파운데이션 모델
Shift & Drift: 일반화 가능하고 강건한 자율주행 모션 플래닝을 위한 제로샷 벤치마크
지속적 학습은 언제 학습을 필요로 하는가
극한 환경 이벤트에 대한 파운데이션 모델의 일반화 가능성 평가: 캘리포니아 산불 PM2.5 사례 연구
벽 투과 레이더 인체 행동 인식을 위한 일반화 이론
DKDNet: 교차 도메인 자동 변조 분류를 위한 이중 지식 및 데이터 기반 네트워크
PARA-PV: 고정된 기반 모델과 분포 이동 보정 기반의 물리 인식 검색-증강 태양광 발전 예측
FedOPAL: 분석적 시각 프롬프트 튜닝을 통한 원샷 연합학습
XOV-Action: 일반화 가능한 오픈-보캐뷸러리 행동 인식을 향하여
데이터 연금술: 테스트 시간 데이터 보정을 통한 교차 사이트 모델 변동성 완화
MAVEN: 비디오 추론 태스크를 위한 다단계 에이전트 기반 어노테이션 파이프라인
흉부 X선 진단에서 테스트 시간 적응을 위한 병리 공동 발생 활용
VSRo-200: 지도 학습과 멀티모달 강건성 연구를 위한 루마니아어 시각 음성 인식 데이터셋
변환은 진실을 드러내는가? 일반화된 AI 생성 이미지 탐지를 위한 생성적 잔차 학습
Wat3R: 어노테이션 없는 수중 3D 기하 학습
보유할 것인가, 적응할 것인가? 지속 학습의 일반화
도메인 적응은 항상 도움이 되는가? 크로스 도메인 감성 전이의 동결 백본 연구
도메인 적응 문장 트랜스포머를 활용한 클라우드 보안의 자동화된 컴플라이언스 매핑
DIRA-SS: 동적 도메인 증분 정규화 적응 - 자기지도학습
분리된 표현의 변분 학습
Medix: 강건한 그래디언트 통계를 활용한 레이블 없는 실세계 데이터에서의 분포 외 탐지
LLM4Delay: 대규모 언어 모델의 교차 모달리티 적응과 항공기 궤적 표현을 통한 항공편 지연 예측
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.