基于变分贝叶斯推断的条件与标签偏移下的领域泛化

在这项工作中，我们提出了一种领域泛化 (DG) 方法，在多个有标签的源领域上学习，并将知识迁移到训练时无法访问的目标领域。考虑到固有的条件偏移和标签偏移，我们期望对齐 $p(x|y)$ 和 $p(y)$。然而，广泛使用的领域不变特征学习 (IFL) 方法依赖于对齐关于 $p(x)$ 的边缘概念偏移，这基于一个不切实际的假设，即 $p(y)$ 在各领域间是不变的。因此，我们提出了一种新颖的变分贝叶斯推断框架，通过在潜在空间中的先验分布匹配来强制执行关于 $p(x|y)$ 的条件分布对齐，同时通过后验对齐将关于 $p(y)$ 的边缘标签偏移纳入考虑。在各种基准上的大量实验表明，我们的框架对标签偏移具有鲁棒性，并且跨域准确率得到显著提升，从而实现了优于传统 IFL 对应方法的性能。