{
  "fetched_at": "2026-10-20T09:39:28Z",
  "source_url": "https://www.kaggle.com/competitions/big-datamachine-learning-dg-competition/data",
  "pages": [
    {
      "name": "data-description",
      "content": "You can download the answer submission format from here\nThe link of dataset:  https://drive.google.com/file/d/13eZSqjGYR3cisCETFuhKmzHuBc_gtgsq/view?usp=sharing",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "实验内容\n1.\t熟悉领域泛化要解决的问题，并了解相关理论\n复现后续在github上发布的dummy baseline，对DG问题要解决的问题和具体问题设定的数据划分有细致的了解\n2.\t构建你自己的分类器用于对PACS数据集分类\n针对DG问题构建你自己的模型，loss，训练框架等，利用PACS数据集对你的模型进行训练和验证，并保留你最好的模型用于后续测试，其中训练集的源域为cartoon,art_paint,photo,用于测试的目标域为sketch，具体数据以及提交格式在data中可以找到\n\n代码demo : https://github.com/nathanielyvo/Big-data-Machine-learning-Last-experiment",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "Download the format of the submitted answer in the dataset\nThe evaluation is divided into public and private. The final ranking will be based on private ranking.\n\n## Submission File\n\n    ID,label\n    0,dog\n    1,horse\n    2,dog\n    etc.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "1.请为你的代码设置种子以确保结果可以复现\n2.请不要将test类别的数据放入训练集进行训练，只能使用train中的数据进行训练，不能使用pretrain的模型。\n大实验共计10分，实验报告占2分，实验结果占8分，实验结果评分细则如下：\n(百分比人数向上取整，比如top10%为6.8人，则前7名均属于top10%)\n1.  > baseline 2分\n2. top 80% 3分\n3. top 50% 4分\n4. top 40% 5分\n5. top 30% 6分\n6. top 20% 7分\n7. top 10% 8分\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "域泛化 (Domain Generalization, DG)是近几年较为热门的一个研究方向，旨在让模型从具有不同数据分布(不同域)的数据上学习到一个泛化能力更强的模型，让模型能够提取出域不变的表征，使得模型能够在未知域的数据上依然具有较好的效果。\n域泛化的方法和思路主要包含以下几种：\n•\t基于域对齐（Domain Alignment）的方法：这类方法试图通过显式或隐式地对齐源域数据的分布或特征，来减少不同域之间的差异，从而提高模型在目标域上的泛化能力。\n•\t基于元学习（Meta-Learning）的方法：这类方法利用元学习的框架，将源域数据划分为训练集和验证集，然后通过优化模型在验证集上的性能，来学习一个适应性强的初始化参数或更新策略，从而使模型能够快速适应新的目标域。\n•\t基于数据增强（Data Augmentation）的方法：这类方法通过对源域数据进行各种变换或合成，来扩充数据集或增加数据多样性，从而提高模型对目标域数据的鲁棒性。\n•\t基于集成学习（Ensemble Learning）的方法：这类方法通过结合多个子模型或子空间的输出，来提高模型在目标域上的性能，从而利用多样性或不确定性来增强模型的泛化能力。\n•\t其他类型的方法：除了上述四类主流的方法外，域泛化还包含一些其他类型的方法，例如基于因果推断（Causal Inference）、基于对抗生成网络（Generative Adversarial Network）、基于正则化（Regularization）等。\n域泛化的问题具有重要的理论意义和实际应用价值，例如在计算机视觉、语音识别、自然语言处理、医学图像和强化学习等领域都有相关的研究。",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}