基于最优传输与度量相似度学习的域泛化
计算机视觉与模式识别
2022-04-06 v2 机器学习
摘要
将知识泛化到数据和标签均不可见的未知域，对机器学习模型至关重要。我们解决域泛化问题，即从多个源域学习并泛化到统计特性未知的目标域。其核心思想是提取所有域间潜在的不变特征。以往的域泛化方法主要关注学习不变特征并将各源域所学特征堆叠以泛化到新目标域，却忽略了标签信息，这将导致特征难以区分且分类边界模糊。为此，一种可能的解决方案是在提取不变特征时约束标签相似性，并利用标签相似性实现跨域特征的类内聚合与类间分离。因此，我们采用带有Wasserstein距离的最优传输来约束类标签相似性以进行对抗训练，并进一步部署度量学习目标以利用标签信息获得可区分的分类边界。实验结果表明，我们提出的方法优于大多数基线方法。此外，消融研究也证明了我们方法各组件的有效性。
引用
@article{arxiv.2007.10573,
title = {Domain Generalization via Optimal Transport with Metric Similarity Learning},
author = {Fan Zhou and Zhuqing Jiang and Changjian Shui and Boyu Wang and Brahim Chaib-draa},
journal= {arXiv preprint arXiv:2007.10573},
year = {2022}
}