Avec la bénédiction du réseau neuronal dynamique sensible à la dérive, le nouveau cadre de généralisation du domaine temporel dépasse de loin la méthode de généralisation et d'adaptation du domaine.

Dans la tâche de généralisation de domaine (DG), lorsque la distribution du domaine change continuellement avec l'environnement, comment capturer avec précision ce changement et son impact sur le modèle est une question très importante mais aussi extrêmement difficile. À cette fin, l'équipe du professeur Zhao Liang de l'Université Emory a proposé un cadre de généralisation du domaine temporel DRAIN basé sur la théorie bayésienne, qui utilise des réseaux récursifs pour apprendre la dérive de la distribution du domaine dimensionnel temporel et combine des réseaux neuronaux dynamiques et une technologie de génération de graphiques pour maximiser l'expression. capacité du modèle et réaliser la généralisation et la prédiction du modèle dans des domaines inconnus à l'avenir. Ce travail a été sélectionné dans ICLR 2023 Oral (Top 5% parmi les articles acceptés).

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!