组合偏移下用于域泛化的等变解耦变换
机器学习
2022-08-04 v1
摘要
机器学习系统在部署环境中的数据分布发生变化时可能遇到意料之外的问题。一个主要原因是某些域与标签的组合在训练时未被观测到，却出现在测试环境中。尽管可应用各种基于不变性的算法，我们发现性能提升往往有限。为形式化分析此问题，我们基于同态、等变以及精炼的解耦定义，给出了组合偏移问题的独特代数表述。该代数要求自然导出一种简单而有效的方法，称为等变解耦变换(EDT)，其基于标签的代数结构增广数据，并使变换满足等变与解耦要求。实验结果表明，不变性可能不充分，在组合偏移问题中利用等变结构十分重要。
引用
@article{arxiv.2208.02011,
title = {Equivariant Disentangled Transformation for Domain Generalization under Combination Shift},
author = {Yivan Zhang and Jindong Wang and Xing Xie and Masashi Sugiyama},
journal= {arXiv preprint arXiv:2208.02011},
year = {2022}
}