메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
이규성 (고려대학교) 장우석 (고려대학교) 김진현 (고려대학교) 정재우 (고려대학교) 조한상 (삼성전기) 안승준 (고려대학교) 김경년 (고려대학교) 김승룡 (고려대학교)
저널정보
대한전자공학회 대한전자공학회 학술대회 2023년도 대한전자공학회 하계학술대회 논문집
발행연도
2023.6
수록면
1,705 - 1,708 (4page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Learning robust vision models that perform well in situations of out-of-distribution (OOD) is an important task for model deployment in real-world settings. This field has been actively researched for a long time and many proposed works achieved small performance gain compared to the simplest empirical risk minimization (ERM) method which was evaluated on a benchmark of restricted hyperparameter search space. We verify that the most effective methods are ensembling diverse models and scaling up the size of pretraining. Next, we focus on exploiting the knowledge of large pretrained models to solve domain generalization problems. However previous works have proven that naively fine-tuning a large pretrained model harms the OOD robustness. By incorporating parameter-efficient fine-tuning (PEFT) methods to large pretrained models we can effectively mitigate the loss of OOD robustness and achieve state-ofthe-art performance in domain generalization tasks.

목차

Abstract
Ⅰ. 서론
Ⅱ. 본론
Ⅲ. 실험 결과
Ⅳ. 결론 및 향후 연구 방향
참고문헌

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0