面向域和类别泛化的联合学习
计算机视觉与模式识别
2026-01-28 v2 机器学习
摘要
高效微调视觉语言模型如CLIP至关重要，因为其参数规模大且需要大量预训练。现有方法通常仅单独处理未见类别或未见域的问题，而不考虑两者的联合框架。在本文中，我们提出了一种称为FedDCG的联合学习方法，旨在解决域和类别泛化的联合问题。该方法引入了域分组策略，在每个组内训练以防止决策边界混淆。在推断时，我们根据域相似性聚合类别泛化结果，从而有效地整合类别和域泛化的知识。具体而言，采用可学习的网络来增强类别泛化能力，并采用解耦机制分离通用知识和域特定知识，以提高对未见域的泛化能力。广泛的实验表明，FedDCG在各种数据集上在准确率和鲁棒性方面均优于最先进的基线方法。
引用
@article{arxiv.2601.12253,
title = {Federated Joint Learning for Domain and Class Generalization},
author = {Haoran Xu and Jiaze Li and Jianzhong Ju and Zhenbo Luo},
journal= {arXiv preprint arXiv:2601.12253},
year = {2026}
}
备注
ICASSP 2026