如何通过学习和视觉社区进行识别或分割视觉数据时处理域名转移。在本文中，我们解决了域广义语义分割，其中分割模型在多个源极域上培训，预计将概括到未操作数据域。我们提出了一种具有功能解剖能力的新型元学习方案，它可以使用域泛化保证来派生语义分段的域中的功能。特别是，我们在我们的框架中介绍了一个特定于特定的功能批评模块，强制执行域泛化保证的解除义的视觉功能。最后，我们对基准数据集的定量结果证实了我们所提出的模型的有效性和稳健性，以及在分割中的最先进的域适应和泛化方法表现。
translated by 谷歌翻译
最佳运输是比较措施的框架，以便将一项措施运输到另一种措施。最近的作品旨在通过引入各种形式的结构来改善最佳运输计划。我们将新颖的订单约束引入最佳运输公式中，以允许结合结构。我们定义了一种有效的方法，用于获取可解释的解决方案，该解决方案比标准方法要好得多。提供了该方法的理论特性。我们通过实验证明，使用E-SNLI（Stanford自然语言推断）数据集改善了秩序约束，该数据集包括人类宣传的理由以及几个图像色传递示例。
translated by 谷歌翻译
我们提供了一类用于强大的个性化联合学习的方法，称为FED+，该方法统一了许多联合学习算法。这类方法的主要优势是更好地适应联邦培训中发现的现实世界特征，例如各方缺乏IID数据，对异常值或散乱者的鲁棒性的需求以及在党派上表现良好的要求 - 特定数据集。我们通过问题公式实现这一目标，该问题使中央服务器能够采用可靠的方式来汇总本地模型，同时保持本地计算的结构完整。在各方跨各方的局部数据的异质性程度的情况下，我们为FED+提供了在不同（鲁棒）聚合方法下的convex和非凸损失函数的收敛保证。美联储+理论还可以处理包括散乱者在内的异质计算环境，没有其他假设；具体而言，融合结果涵盖了一般设置，在该设置中，各方跨各方的本地更新步骤的数量可能会有所不同。我们通过在标准基准数据集的广泛实验中证明了FED+的好处。
translated by 谷歌翻译