FixCLR：面向半监督领域泛化的负类对比学习
计算机视觉与模式识别
2025-06-27 v1 人工智能
摘要
半监督领域泛化（SSDG）旨在解决仅有少量标签可用时向分布外数据泛化的问题。由于标签稀缺，应用领域泛化方法往往表现不佳。因此，现有的 SSDG 方法将半监督学习方法与各种正则化项相结合。然而，这些方法并未显式地进行正则化以学习所有领域间领域不变的表示，而这正是领域泛化的关键目标。为解决此问题，我们引入了 FixCLR。受自监督学习成功的启发，我们改变了两个关键组件以将对比学习适配于显式的领域不变性正则化：利用来自伪标签的类别信息，以及仅使用排斥项。FixCLR 也可以叠加在大多数现有的 SSDG 和半监督方法之上，以实现互补的性能提升。我们的研究包含了此前 SSDG 研究中未曾探索过的广泛实验。这些实验包括对不同半监督方法改进的基准测试、评估预训练与非预训练模型的性能，以及在包含众多领域的数据集上进行测试。总体而言，FixCLR 被证明是一种有效的 SSDG 方法，尤其是与其他半监督方法结合使用时。
引用
@article{arxiv.2506.20841,
title = {FixCLR: Negative-Class Contrastive Learning for Semi-Supervised Domain Generalization},
author = {Ha Min Son and Shahbaz Rezaei and Xin Liu},
journal= {arXiv preprint arXiv:2506.20841},
year = {2025}
}