Robust Internal Representations for Domain Generalization

要約

この論文は、AAAI’23 の新教員ハイライト招待講演者プログラムの一部であり、埋め込みスペースを利用した転移学習における私の研究の包括的な調査として役立ちます。
このペーパーでレビューした研究は、継続的な学習とラベル付きデータの限られた利用に関連する固有の課題を中心に展開されています。
この文書は、私の過去および現在の貢献の概要を提供することにより、私の研究の全体的な理解を提示し、この分野における将来の探索と進歩への道を開くことを目的としています。
私の研究では、少数ショット学習、ゼロショット学習、継続学習、ドメイン適応、分散学習など、転移学習のさまざまな設定を詳しく調べています。
この調査が、同様の研究方向に焦点を当てたいと考えている研究者に前向きな視点を提供することを願っています。

要約(オリジナル)

This paper which is part of the New Faculty Highlights Invited Speaker Program of AAAI’23, serves as a comprehensive survey of my research in transfer learning by utilizing embedding spaces. The work reviewed in this paper specifically revolves around the inherent challenges associated with continual learning and limited availability of labeled data. By providing an overview of my past and ongoing contributions, this paper aims to present a holistic understanding of my research, paving the way for future explorations and advancements in the field. My research delves into the various settings of transfer learning, including, few-shot learning, zero-shot learning, continual learning, domain adaptation, and distributed learning. I hope this survey provides a forward-looking perspective for researchers who would like to focus on similar research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google