ADRMX：基于重混损失的域特征加性解耦
机器学习
2023-08-15 v1 计算机视觉与模式识别
摘要
训练集与测试集服从相似分布的常见假设在部署场景中常被违背。给定多个源域，域泛化旨在创建能够泛化至新的未见域的鲁棒模型。为此，现有研究多聚焦于提取可用源域间的域不变特征，以减轻域间分布变化的影响。然而，该方法仅依赖寻找源域间共同特征，可能限制模型泛化能力。它忽视了可能在部分域中普遍存在的域特定特征，而这些特征或含有价值信息。本工作提出一种名为基于重混损失的域特征加性解耦（Additive Disentanglement of Domain Features with Remix Loss, ADRMX）的新架构，通过一种原创的加性解耦策略将域变体特征与域不变特征结合，从而解决该局限。此外，引入一种新的数据增强技术以进一步支持 ADRMX 的泛化能力，该技术在不同域的样本于潜空间内混合。在 DomainBed 上于公平条件下进行的广泛实验表明，ADRMX 取得了最先进（state-of-the-art）性能。代码将在修订流程后于 GitHub 发布。
引用
@article{arxiv.2308.06624,
title = {ADRMX: Additive Disentanglement of Domain Features with Remix Loss},
author = {Berker Demirel and Erchan Aptoula and Huseyin Ozkan},
journal= {arXiv preprint arXiv:2308.06624},
year = {2023}
}