通过知识损坏发现用于域泛化的新多层次特征
机器学习
2022-10-04 v3 机器学习
摘要
当应用于涉及强烈域偏移的真实世界场景时，能够泛化到未见域的机器学习模型是必不可少的。我们处理了具有挑战性的域泛化（DG）问题，即在源域集合上训练的模型，预期在没有任何未见域数据接触的情况下，能够很好地泛化到未见域。DG 的主要挑战在于，从源域学到的特征未必存在于未见目标域中，从而导致性能下降。我们假设学习更丰富的特征集对于改善向更广泛未知域的迁移至关重要。因此，我们提出了 COLUMBUS，一种通过对数据最相关的输入和多层次表示进行定向损坏来强制发现新特征的方法。我们进行了广泛的实证评估，以证明所提方法的有效性，该方法在 DomainBed 框架下的多个 DG 基准数据集上优于18种 DG 算法，取得了新的SOTA结果。
引用
@article{arxiv.2109.04320,
title = {Discovery of New Multi-Level Features for Domain Generalization via Knowledge Corruption},
author = {Ahmed Frikha and Denis Krompaß and Volker Tresp},
journal= {arXiv preprint arXiv:2109.04320},
year = {2022}
}
备注
Accepted at AAAI 2022 (AIBSD Workshop) and ICPR 2022