小数据下的域泛化

在这项工作中，我们提出解决\textit{样本不足}背景下的域泛化问题。我们不是基于确定性模型提取潜在特征嵌入，而是提出通过将所有数据点映射为概率嵌入，基于概率框架学习域不变表示。具体而言，我们首先将经验最大均值差异（MMD）扩展为一种新颖的概率 MMD，它可以测量由一系列潜在分布而非潜在点组成的混合分布（即源域）之间的差异。此外，我们不是基于潜在点对施加对比语义对齐（CSA）损失，而是提出一种新颖的概率 CSA 损失，鼓励正概率嵌入对更接近，同时将负对拉开。得益于概率模型捕获的所学表示，我们提出的方法能够结合对\textit{分布上的分布}的测量（即全局视角对齐）和基于分布的对比语义对齐（即局部视角对齐）。在三个具有挑战性的医疗数据集上的大量实验结果表明，与最先进的方法相比，我们提出的方法在数据不足的情况下具有有效性。