通过推断时保持标签的目标投影实现域泛化
机器学习
2021-07-20 v3 计算机视觉与模式识别
摘要
在具有不同统计量的未见目标域上泛化于一组源域上训练的机器学习模型,是一个具有挑战性的问题。尽管已提出许多方法解决此问题,它们仅在训练期间利用源数据,却未利用推断时可用单个目标样本这一事实。受此启发,我们提出一种在推断时有效使用目标样本而不仅限于分类的方法。我们的方法包含三个组件——(i) 对源数据施加保持标签的特征或度量变换,使得源样本按其类别聚类而不论其域;(ii) 在这些特征上训练的生成模型;(iii) 在推断时通过利用所学度量在生成模型输入空间上求解优化问题,将目标点保持标签地投影到源特征流形上。最后,投影后的目标被用于分类器。由于投影后的目标特征来自源流形且按设计具有与真实目标相同的标签,分类器在其上的表现预期优于在真实目标上的表现。我们证明该方法在多个数据集和任务上优于最先进的域泛化方法。
引用
@article{arxiv.2103.01134,
title = {Domain Generalization via Inference-time Label-Preserving Target Projections},
author = {Prashant Pandey and Mrigank Raman and Sumanth Varambally and Prathosh AP},
journal= {arXiv preprint arXiv:2103.01134},
year = {2021}
}