面向领域关联类的领域泛化
机器学习
2023-06-02 v1 人工智能
摘要
领域泛化 (Domain Generalization, DG) 侧重于将领域不变知识从多个源领域（在训练时可用）迁移到先验未见的目标领域。这要求一个类在多个领域中被表达，以便学习算法能够打破领域与类之间的伪相关。然而，在现实世界中，类通常是领域关联的，即仅在特定领域中被表达，这导致这些类的泛化性能极差。在这项工作中，我们旨在通过从在多个源领域中被表达的类（领域共享类）迁移领域不变知识，来学习这些领域关联类的可泛化表示。为此，我们向社区引入了这一任务，并提出了一种用于领域关联 DG 的公平且对比的特征空间正则化算法 FOND。在流行 DG 任务上与基线方法进行的严格且可复现的实验表明，我们的方法及其变体在为领域关联类实现最先进的 DG 结果方面的能力。我们还提供了关于数据条件的实用见解，这些条件能够提升领域关联类的可泛化性，以应对现实世界中的数据稀缺问题。
引用
@article{arxiv.2306.00879,
title = {Domain Generalization for Domain-Linked Classes},
author = {Kimathi Kaai and Saad Hossain and Sirisha Rambhatla},
journal= {arXiv preprint arXiv:2306.00879},
year = {2023}
}