اکسپرس 24
ترجمه فارسی مقاله آنتروپی ترکیبی: تعمیم دامنه با مداخله و اختلال علّی

ترجمه فارسی مقاله آنتروپی ترکیبی: تعمیم دامنه با مداخله و اختلال علّی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Mixstyle-Entropy: Domain Generalization with Causal Intervention and Perturbation
عنوان مقاله به فارسی آنتروپی ترکیبی: تعمیم دامنه با مداخله و اختلال علّی
نویسندگان Luyao Tang, Yuxuan Yuan, Chaoqi Chen, Xinghao Ding, Yue Huang
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
دسته بندی موضوعات Machine Learning,Computer Vision and Pattern Recognition,Methodology,یادگیری ماشین , دید رایانه و تشخیص الگوی , روش شناسی ,
توضیحات Submitted 22 August, 2024; v1 submitted 7 August, 2024; originally announced August 2024. , Comments: Accepted by BMVC2024
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛V1 ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: پذیرفته شده توسط BMVC2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 680,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Despite the considerable advancements achieved by deep neural networks, their performance tends to degenerate when the test environment diverges from the training ones. Domain generalization (DG) solves this issue by learning representations independent of domain-related information, thus facilitating extrapolation to unseen environments. Existing approaches typically focus on formulating tailored training objectives to extract shared features from the source data. However, the disjointed training and testing procedures may compromise robustness, particularly in the face of unforeseen variations during deployment. In this paper, we propose a novel and holistic framework based on causality, named InPer, designed to enhance model generalization by incorporating causal intervention during training and causal perturbation during testing. Specifically, during the training phase, we employ entropy-based causal intervention (EnIn) to refine the selection of causal variables. To identify samples with anti-interference causal variables from the target domain, we propose a novel metric, homeostatic score, through causal perturbation (HoPer) to construct a prototype classifier in test time. Experimental results across multiple cross-domain tasks confirm the efficacy of InPer.

چکیده به فارسی (ترجمه ماشینی)

علیرغم پیشرفت های قابل توجهی که توسط شبکه های عصبی عمیق به دست آمده ، هنگامی که محیط آزمون از آموزش های آموزشی منحرف می شود ، عملکرد آنها منحرف می شود.تعمیم دامنه (DG) این موضوع را با یادگیری بازنمایی مستقل از اطلاعات مربوط به دامنه حل می کند ، بنابراین برون یابی را به محیط های غیب تسهیل می کند.رویکردهای موجود به طور معمول بر تدوین اهداف آموزش متناسب برای استخراج ویژگی های مشترک از داده های منبع متمرکز است.با این حال ، روشهای آموزش و آزمایش جدا نشده ممکن است استحکام را به ویژه در مواجهه با تغییرات پیش بینی نشده در هنگام استقرار ، به خطر بیاندازد.در این مقاله ، ما یک چارچوب جدید و جامع بر اساس علیت ، به نام Inper ، طراحی شده است تا با استفاده از مداخله علی در حین آموزش و آشفتگی علّی در طول آزمایش ، تعمیم مدل را تقویت کند.به طور خاص ، در مرحله آموزش ، ما از مداخله علّی مبتنی بر آنتروپی (ENIN) برای تصحیح انتخاب متغیرهای علی استفاده می کنیم.برای شناسایی نمونه هایی با متغیرهای علیت ضد مداخله از دامنه هدف ، ما یک متریک جدید ، نمره هوموستاتیک را از طریق آشفتگی علی (HOPER) برای ساخت طبقه بندی کننده نمونه اولیه در زمان آزمایش پیشنهاد می کنیم.نتایج تجربی در چندین کار متقابل دامنه ، اثربخشی اینپر را تأیید می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.