MARC

 008240219s2023        ulk                      00        kor
■001000016934563
■00520240214101626
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380485050
■035    ▼a(MiAaPQ)AAI30615214
■035    ▼a(MiAaPQ)STANFORDdm107nr6713
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aChen,  Yining.
■24510▼aPrincipled  Algorithms  for  Domain  Adaptation  and  Generalization▼h[electronic  resource]
■260    ▼a[S.l.]▼bStanford  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(229  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  Ma,  Tengyu.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aMachine  learning  models  are  increasingly  applied  to  datasets  different  from  the  training  datasets.  The  performance  of  models  often  degrades  when  tested  on  unseen  scenarios.  Empirically,  many  algorithms  have  been  used  for  domain  adaptation  and  generalization,  but  few  methods  have  been  able  to  surpass  empirical  risk  minimization  consistently  on  common  benchmarks.  Theoretically,  traditional  learning  theory  offers  limited  insights  for  distributional  shift  problems.  The  main  goal  of  this  thesis  is  to  bridge  the  gap  between  the  theory  and  practice  for  domain  shift  problems,  and  to  develop  principled  algorithms  that  have  better  robustness  guarantees.We  study  three  domain  shift  problems  with  increased  supervised  from  the  target  domain.  We  first  study  domain  generalization  where  no  target  data  is  available  during  training.  We  show  that  feature-matching  algorithms  generalize  better  when  the  distinguishing  property  of  the  signal  feature  is  indeed  conditional  distributional  invariance.  Next,  we  study  domain  adaptation  where  unlabeled  target  data  is  available.  We  show  that  self-training  helps  when  the  target  is  more  diverse  than  the  source.  Lastly,  we  study  active  online  learning  under  domain  shift.  We  show  that  uncertainty  sampling  leads  to  better  query-regret  tradeoff  when  there  is  hidden  domain  structure.  In  all  three  problems,  the  synergy  of  explicit  bias  from  the  algorithm  and  implicit  bias  from  the  domain  shift  structure  contributes  to  successful  transfer  between  domains.
■590    ▼aSchool  code:  0212.
■650  4▼aActive  learning.
■650  4▼aComputer  science.
■690    ▼a0800
■690    ▼a0984
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934563▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서