通过动态潜在表征增强演化域泛化

域泛化是机器学习系统面临的一个关键挑战。先前的域泛化方法侧重于从几个静态域中提取域不变特征，以实现对新域的泛化。然而，在非平稳任务中，新域沿着一个底层的连续结构（如时间）演化，仅仅提取不变特征不足以泛化到这些演化的新域。尽管如此，由于演化特征和不变特征之间的冲突，在单一模型中同时学习这两者是困难的。为弥合这一差距，我们构建了因果模型来刻画关于这两种模式的分布偏移，并提出通过一个名为基于互信息的序列自编码器（MISTS）的新框架来同时学习动态和不变特征。MISTS对序列自编码器施加信息论约束，以解耦动态和不变特征，并利用域自适应分类器基于演化和不变信息进行预测。我们在合成和真实世界数据集上的实验结果表明，MISTS成功捕获了演化和不变信息，并在演化域泛化任务中展现了有前景的结果。