基于潜结构感知序列自编码器的演化域泛化方法
机器学习
2022-06-17 v2 人工智能
摘要
域泛化旨在提升机器学习系统对分布外（OOD）数据的泛化能力。现有域泛化技术立足于平稳且离散的环境，以应对OOD数据引起的泛化问题。然而，非平稳环境中的许多真实任务（如自动驾驶系统、传感器测量）涉及更复杂且持续演化的域漂移，这为域泛化问题带来新挑战。本文将前述设定形式化为演化域泛化问题。具体而言，我们提出引入一种称为潜结构感知序列自编码器（LSSAE）的概率框架，通过探索深度神经网络潜空间中的底层连续结构来解决演化域泛化问题，旨在辨识非平稳环境中导致分布漂移的两个主要因素，即协变量偏移与概念偏移。在合成与真实数据集上的实验结果表明，基于演化域泛化设定，LSSAE可取得优越性能。
引用
@article{arxiv.2205.07649,
title = {Generalizing to Evolving Domains with Latent Structure-Aware Sequential Autoencoder},
author = {Tiexin Qin and Shiqi Wang and Haoliang Li},
journal= {arXiv preprint arXiv:2205.07649},
year = {2022}
}
备注
ICML 2022, code is available at https://github.com/WonderSeven/LSSAE