连接领域与对比样本：面向域生成的阶梯结构
计算机视觉与模式识别
2025-10-21 v1 机器学习
摘要
训练与测试样本之间的分布迁移在实际应用中屡见不鲜，常常限制模型的泛化性能。这一关键挑战因此激励了域生成 (DG) 研究，即仅使用来自源域数据，预测未知目标域数据的标签。基于对比学习 (CL) 学习的类间分离表示被认为有助于提升 DG 效果，但实际情况恰恰相反：用户直接应用 CL 往往会损害性能。我们从 CL 理论出发进行分析，发现 DG 场景下类内连接性不足是其缺陷的根本原因。因此，我们提出一种新范式——域连接对比学习 (DCCL)，以增强跨域的概念连接性，获取适用于 DG 的通用表示。在数据层面，引入更激进的数据增强和跨域正样本，以提升类内连接性。在模型层面，提出模型锚定以利用预训练表示中的类内连接性，并辅以生成转换损失。对 5 个标准 DG 基准进行大量实验验证。结果表明，DCCL 在不依赖域监督的情况下，优于最新方法，实现性能领先。详细的模型实现与代码已提供，链接为 https://github.com/weitianxin/DCCL。
引用
@article{arxiv.2510.16704,
title = {Connecting Domains and Contrasting Samples: A Ladder for Domain Generalization},
author = {Tianxin Wei and Yifan Chen and Xinrui He and Wenxuan Bao and Jingrui He},
journal= {arXiv preprint arXiv:2510.16704},
year = {2025}
}
备注
Accepted by KDD 2025