Littérature scientifique sur le sujet « Out-of-distribution generalization »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les listes thématiques d’articles de revues, de livres, de thèses, de rapports de conférences et d’autres sources académiques sur le sujet « Out-of-distribution generalization ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Articles de revues sur le sujet "Out-of-distribution generalization"
Ye, Nanyang, Lin Zhu, Jia Wang, Zhaoyu Zeng, Jiayao Shao, Chensheng Peng, Bikang Pan, Kaican Li et Jun Zhu. « Certifiable Out-of-Distribution Generalization ». Proceedings of the AAAI Conference on Artificial Intelligence 37, no 9 (26 juin 2023) : 10927–35. http://dx.doi.org/10.1609/aaai.v37i9.26295.
Texte intégralYuan, Lingxiao, Harold S. Park et Emma Lejeune. « Towards out of distribution generalization for problems in mechanics ». Computer Methods in Applied Mechanics and Engineering 400 (octobre 2022) : 115569. http://dx.doi.org/10.1016/j.cma.2022.115569.
Texte intégralLiu, Anji, Hongming Xu, Guy Van den Broeck et Yitao Liang. « Out-of-Distribution Generalization by Neural-Symbolic Joint Training ». Proceedings of the AAAI Conference on Artificial Intelligence 37, no 10 (26 juin 2023) : 12252–59. http://dx.doi.org/10.1609/aaai.v37i10.26444.
Texte intégralYu, Yemin, Luotian Yuan, Ying Wei, Hanyu Gao, Fei Wu, Zhihua Wang et Xinhai Ye. « RetroOOD : Understanding Out-of-Distribution Generalization in Retrosynthesis Prediction ». Proceedings of the AAAI Conference on Artificial Intelligence 38, no 1 (24 mars 2024) : 374–82. http://dx.doi.org/10.1609/aaai.v38i1.27791.
Texte intégralZhu, Lin, Xinbing Wang, Chenghu Zhou et Nanyang Ye. « Bayesian Cross-Modal Alignment Learning for Few-Shot Out-of-Distribution Generalization ». Proceedings of the AAAI Conference on Artificial Intelligence 37, no 9 (26 juin 2023) : 11461–69. http://dx.doi.org/10.1609/aaai.v37i9.26355.
Texte intégralLavda, Frantzeska, et Alexandros Kalousis. « Semi-Supervised Variational Autoencoders for Out-of-Distribution Generation ». Entropy 25, no 12 (14 décembre 2023) : 1659. http://dx.doi.org/10.3390/e25121659.
Texte intégralSu, Hang, et Wei Wang. « An Out-of-Distribution Generalization Framework Based on Variational Backdoor Adjustment ». Mathematics 12, no 1 (26 décembre 2023) : 85. http://dx.doi.org/10.3390/math12010085.
Texte intégralCao, Linfeng, Aofan Jiang, Wei Li, Huaying Wu et Nanyang Ye. « OoDHDR-Codec : Out-of-Distribution Generalization for HDR Image Compression ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 1 (28 juin 2022) : 158–66. http://dx.doi.org/10.1609/aaai.v36i1.19890.
Texte intégralDeng, Bin, et Kui Jia. « Counterfactual Supervision-Based Information Bottleneck for Out-of-Distribution Generalization ». Entropy 25, no 2 (18 janvier 2023) : 193. http://dx.doi.org/10.3390/e25020193.
Texte intégralAshok, Arjun, Chaitanya Devaguptapu et Vineeth N. Balasubramanian. « Learning Modular Structures That Generalize Out-of-Distribution (Student Abstract) ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 11 (28 juin 2022) : 12905–6. http://dx.doi.org/10.1609/aaai.v36i11.21589.
Texte intégralThèses sur le sujet "Out-of-distribution generalization"
Kirchmeyer, Matthieu. « Out-of-distribution Generalization in Deep Learning : Classification and Spatiotemporal Forecasting ». Electronic Thesis or Diss., Sorbonne université, 2023. http://www.theses.fr/2023SORUS080.
Texte intégralDeep learning has emerged as a powerful approach for modelling static data like images and more recently for modelling dynamical systems like those underlying times series, videos or physical phenomena. Yet, neural networks were observed to not generalize well outside the training distribution, in other words out-of-distribution. This lack of generalization limits the deployment of deep learning in autonomous systems or online production pipelines, which are faced with constantly evolving data. In this thesis, we design new strategies for out-of-distribution generalization. These strategies handle the specific challenges posed by two main application tasks, classification of static data and spatiotemporal dynamics forecasting. The first two parts of this thesis consider the classification problem. We first investigate how we can efficiently leverage some observed training data from a target domain for adaptation. We then explore how to generalize to unobserved domains without access to such data. The last part of this thesis handles various generalization problems specific to spatiotemporal forecasting
Livres sur le sujet "Out-of-distribution generalization"
Zabrodin, Anton. Financial applications of random matrix theory : a short review. Sous la direction de Gernot Akemann, Jinho Baik et Philippe Di Francesco. Oxford University Press, 2018. http://dx.doi.org/10.1093/oxfordhb/9780198744191.013.40.
Texte intégralJames, Philip. The Biology of Urban Environments. Oxford University Press, 2018. http://dx.doi.org/10.1093/oso/9780198827238.001.0001.
Texte intégralChapitres de livres sur le sujet "Out-of-distribution generalization"
Chen, Zining, Weiqiu Wang, Zhicheng Zhao, Aidong Men et Hong Chen. « Bag of Tricks for Out-of-Distribution Generalization ». Dans Lecture Notes in Computer Science, 465–76. Cham : Springer Nature Switzerland, 2023. http://dx.doi.org/10.1007/978-3-031-25075-0_31.
Texte intégralMoruzzi, Caterina. « Toward Out-of-Distribution Generalization Through Inductive Biases ». Dans Studies in Applied Philosophy, Epistemology and Rational Ethics, 57–66. Cham : Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-09153-7_5.
Texte intégralLi, Dongqi, Zhu Teng, Qirui Li et Ziyin Wang. « Sharpness-Aware Minimization for Out-of-Distribution Generalization ». Dans Communications in Computer and Information Science, 555–67. Singapore : Springer Nature Singapore, 2023. http://dx.doi.org/10.1007/978-981-99-8126-7_43.
Texte intégralWang, Fawu, Kang Zhang, Zhengyu Liu, Xia Yuan et Chunxia Zhao. « Deep Relevant Feature Focusing for Out-of-Distribution Generalization ». Dans Pattern Recognition and Computer Vision, 245–53. Cham : Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-18907-4_19.
Texte intégralWang, Yuqing, Xiangxian Li, Zhuang Qi, Jingyu Li, Xuelong Li, Xiangxu Meng et Lei Meng. « Meta-Causal Feature Learning for Out-of-Distribution Generalization ». Dans Lecture Notes in Computer Science, 530–45. Cham : Springer Nature Switzerland, 2023. http://dx.doi.org/10.1007/978-3-031-25075-0_36.
Texte intégralYu, Haoran, Baodi Liu, Yingjie Wang, Kai Zhang, Dapeng Tao et Weifeng Liu. « A Stable Vision Transformer for Out-of-Distribution Generalization ». Dans Pattern Recognition and Computer Vision, 328–39. Singapore : Springer Nature Singapore, 2023. http://dx.doi.org/10.1007/978-981-99-8543-2_27.
Texte intégralZhang, Xingxuan, Yue He, Tan Wang, Jiaxin Qi, Han Yu, Zimu Wang, Jie Peng et al. « NICO Challenge : Out-of-Distribution Generalization for Image Recognition Challenges ». Dans Lecture Notes in Computer Science, 433–50. Cham : Springer Nature Switzerland, 2023. http://dx.doi.org/10.1007/978-3-031-25075-0_29.
Texte intégralLong, Xi, Ying Cheng, Xiao Mu, Lian Liu et Jingxin Liu. « Domain Adaptive Cascade R-CNN for MItosis DOmain Generalization (MIDOG) Challenge ». Dans Biomedical Image Registration, Domain Generalisation and Out-of-Distribution Analysis, 73–76. Cham : Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-030-97281-3_11.
Texte intégralJahanifar, Mostafa, Adam Shepard, Neda Zamanitajeddin, R. M. Saad Bashir, Mohsin Bilal, Syed Ali Khurram, Fayyaz Minhas et Nasir Rajpoot. « Stain-Robust Mitotic Figure Detection for the Mitosis Domain Generalization Challenge ». Dans Biomedical Image Registration, Domain Generalisation and Out-of-Distribution Analysis, 48–52. Cham : Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-030-97281-3_6.
Texte intégralWang, Jiahao, Hao Wang, Zhuojun Dong, Hua Yang, Yuting Yang, Qianyue Bao, Fang Liu et LiCheng Jiao. « A Three-Stage Model Fusion Method for Out-of-Distribution Generalization ». Dans Lecture Notes in Computer Science, 488–99. Cham : Springer Nature Switzerland, 2023. http://dx.doi.org/10.1007/978-3-031-25075-0_33.
Texte intégralActes de conférences sur le sujet "Out-of-distribution generalization"
Wang, Fawu, Ruizhe Li, Kang Zhang, Xia Yuan et Chunxia Zhao. « Data Distribution Transfer for Out Of Distribution Generalization ». Dans 2022 IEEE 24th International Workshop on Multimedia Signal Processing (MMSP). IEEE, 2022. http://dx.doi.org/10.1109/mmsp55362.2022.9949199.
Texte intégralWang, Ruoyu, Mingyang Yi, Zhitang Chen et Shengyu Zhu. « Out-of-distribution Generalization with Causal Invariant Transformations ». Dans 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2022. http://dx.doi.org/10.1109/cvpr52688.2022.00047.
Texte intégralDeng, Xun, Wenjie Wang, Fuli Feng, Hanwang Zhang, Xiangnan He et Yong Liao. « Counterfactual Active Learning for Out-of-Distribution Generalization ». Dans Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (Volume 1 : Long Papers). Stroudsburg, PA, USA : Association for Computational Linguistics, 2023. http://dx.doi.org/10.18653/v1/2023.acl-long.636.
Texte intégralZhang, Xingxuan, Peng Cui, Renzhe Xu, Linjun Zhou, Yue He et Zheyan Shen. « Deep Stable Learning for Out-Of-Distribution Generalization ». Dans 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2021. http://dx.doi.org/10.1109/cvpr46437.2021.00533.
Texte intégralWu, Qitian, Fan Nie, Chenxiao Yang, Tianyi Bao et Junchi Yan. « Graph Out-of-Distribution Generalization via Causal Intervention ». Dans WWW '24 : The ACM Web Conference 2024. New York, NY, USA : ACM, 2024. http://dx.doi.org/10.1145/3589334.3645604.
Texte intégralKamani, Mohammad Mahdi, Sadegh Farhang, Mehrdad Mahdavi et James Z. Wang. « Targeted Data-driven Regularization for Out-of-Distribution Generalization ». Dans KDD '20 : The 26th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York, NY, USA : ACM, 2020. http://dx.doi.org/10.1145/3394486.3403131.
Texte intégralWang, Xin, Peng Cui et Wenwu Zhu. « Out-of-distribution Generalization and Its Applications for Multimedia ». Dans MM '21 : ACM Multimedia Conference. New York, NY, USA : ACM, 2021. http://dx.doi.org/10.1145/3474085.3478876.
Texte intégralMiao, Qiaowei, Junkun Yuan, Shengyu Zhang, Fei Wu et Kun Kuang. « Domaindiff : Boost out-of-Distribution Generalization with Synthetic Data ». Dans ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2024. http://dx.doi.org/10.1109/icassp48485.2024.10446788.
Texte intégralBai, Haoyue, Fengwei Zhou, Lanqing Hong, Nanyang Ye, S. H. Gary Chan et Zhenguo Li. « NAS-OoD : Neural Architecture Search for Out-of-Distribution Generalization ». Dans 2021 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE, 2021. http://dx.doi.org/10.1109/iccv48922.2021.00821.
Texte intégralSun, Yihong, Adam Kortylewski et Alan Yuille. « Amodal Segmentation through Out-of-Task and Out-of-Distribution Generalization with a Bayesian Model ». Dans 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2022. http://dx.doi.org/10.1109/cvpr52688.2022.00128.
Texte intégral