基于能量的测试样本自适应用于域泛化
机器学习
2023-02-23 v1
摘要
本文中，我们提出在测试时基于能量进行样本自适应以实现域泛化。先前工作将模型自适应到目标域，而我们则将未见的目标样本自适应到源训练模型。为此，我们设计了一个基于能量的判别模型，该模型在源域上训练以联合建模用于分类的条件分布和用于样本自适应的数据分布。该模型被优化以同时学习分类器和能量函数。为将目标样本自适应到源分布，我们通过随机梯度朗之万动力学以能量最小化迭代更新样本。此外，为在自适应过程中保留样本中的类别信息，我们在基于能量的模型中引入了一个类别潜变量。该潜变量在自适应前通过变分推断从原始样本学习，并固定为条件以指导样本更新。在六个用于图像和微博线程分类的基准上的实验证明了我们方法的有效性。
引用
@article{arxiv.2302.11215,
title = {Energy-Based Test Sample Adaptation for Domain Generalization},
author = {Zehao Xiao and Xiantong Zhen and Shengcai Liao and Cees G. M. Snoek},
journal= {arXiv preprint arXiv:2302.11215},
year = {2023}
}
备注
Accepted by ICLR 2023