基于元学习跨域验证的判别对抗域泛化
机器学习
2022-02-17 v2
摘要
机器学习模型的泛化能力，即通过从一个或多个已见域中学习来泛化到“未见过”的域的知识，对于在真实条件下开发和部署机器学习应用至关重要。域泛化（DG）技术旨在增强机器学习模型的这种泛化能力，其中学习到的特征表示和分类器是改善泛化和做出决策的两个关键因素。本文提出基于元学习跨域验证的判别对抗域泛化（DADG）。我们提出的框架包含两个协同工作的主组件以构建域泛化的DNN模型：（i）判别对抗学习，主动在多个“已见”域上学习泛化特征表示；（ii）基于元学习的跨域验证，通过在训练过程中应用元学习技术来模拟训练/测试域偏移。在实验评估中，我们在三个基准数据集上对所提方法与现有其他方法进行了全面比较。结果表明，DADG始终优于强基线DeepAll，并在大多数评估案例中优于其他现有DG算法。
引用
@article{arxiv.2011.00444,
title = {Discriminative Adversarial Domain Generalization with Meta-learning based Cross-domain Validation},
author = {Keyu Chen and Di Zhuang and J. Morris Chang},
journal= {arXiv preprint arXiv:2011.00444},
year = {2022}
}