带精度约束的对抗式不变特征学习用于域泛化
机器学习
2020-03-03 v3 机器学习
摘要
学习域不变表示是域泛化（DG）的主流方法，其中我们需要构建一个对域偏移具有鲁棒性的分类器。然而，先前基于域不变性的方法忽略了类对域的潜在依赖关系，这种依赖关系导致了分类精度与域不变性之间的权衡。由于 DG 的主要目的为对未见域进行分类而非不变性本身，在此权衡下不变性的提升会对 DG 性能产生负面影响。为克服该问题，本研究首先拓展了 Xie 等人关于该权衡的分析，并给出精度约束域不变性的概念，即在不会干扰精度的范围内的最大域不变性。我们随后提出一种新方法：带精度约束的对抗式特征学习（AFLAC），其在对抗训练中显式地导向该不变性。实证验证表明，在合成与三个真实世界数据集上 AFLAC 的性能均优于基于域不变性的方法，支持了考虑依赖关系的重要性及所提方法的有效性。
引用
@article{arxiv.1904.12543,
title = {Adversarial Invariant Feature Learning with Accuracy Constraint for Domain Generalization},
author = {Kei Akuzawa and Yusuke Iwasawa and Yutaka Matsuo},
journal= {arXiv preprint arXiv:1904.12543},
year = {2020}
}
备注
accepted for ECMLPKDD 2019