基于Wasserstein分布鲁棒优化的类别条件域泛化
机器学习
2021-09-09 v1
摘要
给定多个源域，域泛化旨在学习一个在任何未见但相关的目标域上表现良好的通用模型。在这项工作中，我们关注域偏移发生在不同域的类别条件分布之间的域泛化场景。当给定相同类别的条件分布变化很大时，现有方法不够鲁棒。在这项工作中，我们扩展了分布鲁棒优化的概念来解决类别条件域泛化问题。我们的方法优化分类器在类别条件分布上的最坏情况性能，这些分布位于以源条件分布的重心为中心的Wasserstein球内。我们还提出了一种迭代算法，用于自动学习Wasserstein球的最优半径。实验表明，所提出的框架在未见目标域上的性能优于没有域泛化的方法。
引用
@article{arxiv.2109.03676,
title = {Class-conditioned Domain Generalization via Wasserstein Distributional Robust Optimization},
author = {Jingge Wang and Yang Li and Liyan Xie and Yao Xie},
journal= {arXiv preprint arXiv:2109.03676},
year = {2021}
}
备注
presented as a RobustML workshop paper at ICLR 2021