应对恶魔双胞胎：通过解决多样性数据增强的灾难性遗忘

数据增强是提高外分布 generalization 有效工具，关键在于通过高昂的针对性增强产生多样且具挑战性的源域变体，以最大化其 generalization 效果。相反，随机数据增强成本较低，但因其有限效果被视为次优。本文重新审视随机增强，探讨解决其短comings 的方法。我们表明，随机增强的随机性会产生一组相互冲突的增强，从而扭曲所学特征，类似于灾难性遗忘。我们提出一种简单方法，通过解决遗忘问题来提高随机增强的 generalization 效果，该方法在各种单源 domain generalization（sDG）基准测试中显示出强大的 generalization 性能。