论文页面 - 用于域泛化的投影追踪CPCANet

Source: https://huggingface.co/papers/2607.22117

摘要

域泛化（DG）旨在学习对分布偏移鲁棒的表示。近年来，诸如CPCANet等几何对齐方法通过批量式公共主成分分析（CPCA）提取域不变结构。然而，CPCANet因小批量训练中的小样本问题而面临秩亏协方差估计。为解决这一局限，我们提出投影追踪CPCANet（PP-CPCANet），一种无协方差框架，在史蒂费尔流形上学习全局正交基，并通过凯莱变换使其与网络参数联合优化。我们进一步引入一种打破对称性的分离中位数PP散度目标，以提取具有密集且鲁棒优化信号的公共主成分（CPCs）。在四个DG基准上的实验表明，PP-CPCANet在保持稳定训练的同时达到了最先进的性能。

查看arXiv页面 (https://arxiv.org/abs/2607.22117)查看PDF (https://arxiv.org/pdf/2607.22117)GitHub (https://github.com/wish44165/PP-CPCANet)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.22117)

在您的代理中获取此论文：

hf papers read 2607\.22117

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

无模型链接此论文

在模型的README.md中引用arxiv.org/abs/2607.22117以从此页面链接。

引用此论文的数据集0

无数据集链接此论文

在数据集的README.md中引用arxiv.org/abs/2607.22117以从此页面链接。

引用此论文的空间0

无空间链接此论文

在空间的README.md中引用arxiv.org/abs/2607.22117以从此页面链接。

包含此论文的收藏0

无收藏包含此论文

将此论文添加至收藏 (https://huggingface.co/new-collection)以从此页面链接。