基于 Lyapunov 指数引导的对抗性数据增强用于单域泛化
计算机视觉与模式识别
2025-07-08 v1 机器学习
摘要
单域泛化（Single Domain Generalization, SDG）旨在开发能够仅使用一个源域就能泛化到未见目标域的模型，这一任务因实际域迁移幅度大且数据多样性有限而具有挑战性。现有 SDG 方法主要依赖数据增强技术，但难以有效适应大范围的域迁移。为此，我们提出了 LEAwareSGD，一种受动力系统理论启发的 Lyapunov 指数（LE）引导优化方法。通过利用 LE 测量来调制学习率，LEAwareSGD 鼓励模型在混沌边缘附近进行训练，这一临界状态能够最佳平衡稳定性和可适应性。这种动态调整允许模型探索更广阔的参数空间，捕获更具可泛化性的特征，从而提升模型的泛化能力。在 PACS、OfficeHome 和 DomainNet 上进行大量实验表明，LEAwareSGD 在低数据 regime 下可获得显著的泛化提升，在 PACS 上提升最高可达 9.47%。这些结果凸显了在混沌边缘训练对增强 SDG 任务中模型泛化能力的有效性。
关键词
引用
@article{arxiv.2507.04302,
title = {Adversarial Data Augmentation for Single Domain Generalization via Lyapunov Exponent-Guided Optimization},
author = {Zuyu Zhang and Ning Chen and Yongshan Liu and Qinghua Zhang and Xu Zhang},
journal= {arXiv preprint arXiv:2507.04302},
year = {2025}
}
备注
Accepted to ICCV 2025