用于领域泛化分类的领域对抗主动学习
机器学习
2024-03-12 v1 人工智能
摘要
领域泛化模型旨在从源领域数据中学习跨领域知识，以提高在未知目标领域上的性能。最近的研究表明，多样且丰富的源领域样本可以增强领域泛化能力。本文认为，每个样本对模型泛化能力的影响各不相同。高质量数据集尽管规模较小，仍能达到一定的泛化能力。受此启发，我们提出了一种用于领域泛化中分类任务的领域对抗主动学习 (DAAL) 算法。首先，我们分析得出任务的目标是最大化同一领域内的类间距离，并最小化不同领域间的类内距离。为实现这一目标，我们设计了一种优先选择困难样本的领域对抗选择方法。其次，我们假设即使在收敛的模型中，每个领域内也存在缺乏判别能力的特征子集。我们尝试识别这些特征子集，并通过约束损失对其进行优化。我们在多个领域泛化数据集上验证并分析了我们的 DAAL 算法，并将其与各种领域泛化算法和主动学习算法进行了比较。结果表明，DAAL 算法能够以较少的数据资源实现强大的泛化能力，从而降低领域泛化任务中的数据标注成本。
引用
@article{arxiv.2403.06174,
title = {Domain Adversarial Active Learning for Domain Generalization Classification},
author = {Jianting Chen and Ling Ding and Yunxiao Yang and Zaiyuan Di and Yang Xiang},
journal= {arXiv preprint arXiv:2403.06174},
year = {2024}
}