使用信念双层最难域调度器提升开放集域泛化
机器学习
2024-10-24 v2 计算机视觉与模式识别
摘要
在开放集域泛化(OSDG)中，模型同时暴露于数据外观的新变体(域)和开放集条件，即测试时已知和新类别同时存在。这些任务的挑战源于需要在多样化域之间泛化，以及准确量化类别新颖性，这对于动态环境中的应用至关重要。最近的元学习技术在OSDG中展现出优异性能，有效地通过采用各种随机类别和预定义的域分区策略来协调元训练和测试任务。这些方法优先考虑精心设计的训练计划，而非主要关注数据增强和增强判别特征学习的传统方法。典型的OSDG元学习模型通常利用预定义的序列域调度器来结构化数据分区。然而，域调度器策略在训练中的影响仍未得到充分探索。本文我们观察到，自适应域调度器在OSDG中的优势超过固定序列和随机域调度器。我们提出了信念双层最难域调度器(EBiL-HaDS)以实现自适应域调度器。该方法通过评估其在使用以信念方式学习的置信度得分训练的跟随网络中的可靠性来排序域，该网络受最大再偏差不一致正则化约束，并以双层方式优化。结果表明，我们的方法显著提升了OSDG性能，为已见和未见类别实现更具判别性的嵌入。源代码已公开available at https://github.com/KPeng9510/EBiL-HaDS.
引用
@article{arxiv.2409.17555,
title = {Advancing Open-Set Domain Generalization Using Evidential Bi-Level Hardest Domain Scheduler},
author = {Kunyu Peng and Di Wen and Kailun Yang and Ao Luo and Yufan Chen and Jia Fu and M. Saquib Sarfraz and Alina Roitberg and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2409.17555},
year = {2024}
}
备注
Accepted to NeurIPS 2024. The source code is publicly available at https://github.com/KPeng9510/EBiL-HaDS