DISPEL：通过域特定特征释放实现域泛化
计算机视觉与模式识别
2023-08-02 v3 机器学习
摘要
域泛化旨在仅通过有限源域训练，学习一个能在未见测试域上表现良好的泛化模型。然而，现有域泛化方法常引入与预测无关的噪声，或需要收集域标签。为应对这些挑战，我们从不同视角考虑域泛化问题，将底层特征组划分为域共享特征与域特定特征。然而，域特定特征难以从输入数据中识别与区分。本工作中，我们提出域特定特征释放（DomaIn-SPEcific Liberating，DISPEL），一种后处理细粒度掩码方法，可在嵌入空间中过滤掉未定义且不可区分的域特定特征。具体而言，DISPEL利用掩码生成器为每输入数据生成唯一掩码以过滤域特定特征。DISPEL框架具有高度灵活性，可应用于任意微调模型。我们推导了泛化误差界，通过优化所设计的目标损失来保证泛化性能。在五个基准上的实验结果表明，DISPEL优于现有方法，并能进一步泛化多种算法。
引用
@article{arxiv.2307.07181,
title = {DISPEL: Domain Generalization via Domain-Specific Liberating},
author = {Chia-Yuan Chang and Yu-Neng Chuang and Guanchu Wang and Mengnan Du and Na Zou},
journal= {arXiv preprint arXiv:2307.07181},
year = {2023}
}