基于生成式最近邻的差异最小化域泛化
计算机视觉与模式识别
2020-07-29 v1 机器学习
摘要
域泛化(DG)处理域偏移问题，即在一个多源域上训练的机器学习模型无法在具有不同统计量的目标域上良好泛化。已有多种方法通过学习跨源域的域不变表示来解决域泛化问题，但这些方法无法保证在偏移的目标域上的泛化性。我们提出一种基于生成式最近邻的差异最小化(GNNDM)方法，其提供了理论上界，该上界由目标标注过程中的误差所界定。我们采用域差异最小化网络(DDMN)来学习域不可知特征以生成单一源域，同时保留数据点的类标签。从该源域提取的特征使用生成模型学习，其潜空间用作采样器以为目标数据点检索最近邻。所提方法不需要访问域标签（相较于现有方法更为现实的场景）。在经验上，我们在两个数据集 PACS 和 VLCS 上展示了我们方法的有效性。通过大量实验，我们证明了所提方法优于若干最先进 DG 方法的有效性。
引用
@article{arxiv.2007.14284,
title = {Discrepancy Minimization in Domain Generalization with Generative Nearest Neighbors},
author = {Prashant Pandey and Mrigank Raman and Sumanth Varambally and Prathosh AP},
journal= {arXiv preprint arXiv:2007.14284},
year = {2020}
}