动态域泛化
机器学习
2022-05-30 v1 计算机视觉与模式识别
摘要
域泛化 (Domain generalization, DG) 是机器学习中一个基础却极具挑战性的研究课题。现有方法主要侧重于在静态模型中利用有限的源域学习域不变特征。遗憾的是，当泛化到不可知目标域时，缺乏免训练的模型调整机制。为解决这个问题，我们提出了一种全新的 DG 变体，即动态域泛化 (Dynamic Domain Generalization, DDG)，其中模型学习扭曲网络参数以适应来自不同域的数据。具体而言，我们利用元调整器 (meta-adjuster) 基于静态模型针对不同域的不同数据来扭曲网络参数。通过这种方式，静态模型被优化以学习域共享特征，而元调整器被设计用来学习域特定特征。为使该过程可行，在教导元调整器适应即将到来的不可知目标域时，利用了 DomainMix 来模拟来自多样域的数据。这种学习机制促使模型通过免训练调整模型的方式泛化到不同的不可知目标域。大量实验证明了我们所提方法的有效性。代码见：https://github.com/MetaVisionLab/DDG
引用
@article{arxiv.2205.13913,
title = {Dynamic Domain Generalization},
author = {Zhishu Sun and Zhifeng Shen and Luojun Lin and Yuanlong Yu and Zhifeng Yang and Shicai Yang and Weijie Chen},
journal= {arXiv preprint arXiv:2205.13913},
year = {2022}
}
备注
Accepted by IJCAI 2022