通过条件不变表示实现域泛化

域泛化旨在将多个有标签源域中获得的知识应用于未见过的目标域。主要困难来自数据集偏差：训练数据与测试数据具有不同的分布，且训练集包含来自不同分布的异质样本。令$X$表示特征，$Y$为类标签。现有域泛化方法通过学习域不变表示$h(X)$来解决数据集偏差问题，该表示在多个源域中具有相同的边际分布$\mathbb{P}(h(X))$。$\mathbb{P}(Y|X)$中编码的函数关系通常被假定在各域间稳定，从而$\mathbb{P}(Y|h(X))$也是不变的。然而，尚不清楚该假设在实际问题中是否成立。本文考虑$\mathbb{P}(X)$和$\mathbb{P}(Y|X)$均可在所有域间变化的普遍情形。我们提出学习一种具有域不变类条件分布$\mathbb{P}(h(X)|Y)$的特征表示。借助条件不变表示，若类先验$\mathbb{P}(Y)$在训练与测试域间不变，则可保证联合分布$\mathbb{P}(h(X),Y)$的不变性。在合成与真实数据上的大量实验证明了所提方法的有效性。