通过不精确学习实现领域泛化
机器学习
2024-05-31 v2
摘要
分布外（OOD）泛化具有挑战性，因为它不仅涉及从经验数据中学习，还涉及在各种泛化概念之间做出选择，例如优化平均情况风险、最坏情况风险或其间的插值。虽然这种选择原则上应由模型操作者（如医生）做出，但此信息在训练时可能并不总是可用。机器学习者与模型操作者之间的机构分离导致机器学习者由于这些部署不确定性而任意承诺特定的泛化策略。我们引入不精确领域泛化框架来缓解这一问题，该框架具有不精确风险优化，允许学习者在训练期间通过针对连续泛化策略谱进行优化来保持不精确，以及一个允许操作者在部署时指定其泛化偏好的模型框架。在理论和实证证据的支持下，我们的工作展示了将不精确性整合到领域泛化中的益处。
引用
@article{arxiv.2404.04669,
title = {Domain Generalisation via Imprecise Learning},
author = {Anurag Singh and Siu Lun Chau and Shahine Bouabid and Krikamol Muandet},
journal= {arXiv preprint arXiv:2404.04669},
year = {2024}
}