域泛化：综述
机器学习
2022-08-15 v7 人工智能
计算机视觉与模式识别
摘要
对分布外（OOD）数据的泛化是人类天然具备而机器难以复现的能力。这是因为大多数学习算法强烈依赖于源/目标数据的独立同分布（i.i.d.）假设，而该假设常因域偏移在实践中被违背。域泛化（DG）旨在仅使用源数据进行模型学习来实现OOD泛化。过去十年中，DG研究取得重大进展，催生了广泛的方法体系，例如基于域对齐、元学习、数据增强或集成学习等；DG亦在计算机视觉、语音识别、自然语言处理、医学影像与强化学习等多种应用领域得到研究。本文首次提供DG领域的全面文献综述，总结过去十年的发展。具体而言，我们首先通过形式化定义DG并将其与域适应、迁移学习等相关领域关联来铺垫背景。随后，我们对现有方法与理论进行透彻回顾。最后，我们以对未来研究方向的见解与讨论作结。
引用
@article{arxiv.2103.02503,
title = {Domain Generalization: A Survey},
author = {Kaiyang Zhou and Ziwei Liu and Yu Qiao and Tao Xiang and Chen Change Loy},
journal= {arXiv preprint arXiv:2103.02503},
year = {2022}
}
备注
IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2022