- 1、本文档共65页,其中可免费阅读23页,需付费100金币后方可阅读剩余内容。
- 2、本文档内容版权归属内容提供方,所产生的收益全部归内容提供方所有。如果您对本文有版权争议,可选择认领,认领后既往收益都归您。
- 3、本文档由用户上传,本站不保证质量和数量令人满意,可能有诸多瑕疵,付费之前,请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形,可联系本站下载客服投诉处理。
- 4、文档侵权举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
摘要
摘要
深度神经网络在广泛的领域取得了令人印象深刻的成功。不幸的是,当源域
(训练集)和目标域(测试集)的数据分布存在偏移时,部署的模型通常遭受显
著的性能退化。以往的研究通常集中于在训练期间提升模型的鲁棒性,包括领域
泛化、领域适应等。然而,这些研究通常假设源域是可访问的,并且数据是带有
标签的。但由于隐私或法律的约束,源域数据并不总是可访问的。同时,一些方
法需要对模型结构进行侵入性修改,而重新训练的开销对于大规模预训
文档评论(0)