通过对抗数据增强泛化至未见域

我们关注学习能够很好地泛化到不同\emph{未见}域的模型。我们考虑在特征空间中靠近源域的数据分布上的最坏情况表述。仅使用来自单一源分布的训练数据，我们提出了一种迭代过程，用当前模型下“困难”的虚构目标域中的样本扩充数据集。我们表明，我们的迭代方案是一种自适应数据增强方法，在每次迭代时追加对抗样本。对于softmax损失，我们表明我们的方法是一种数据相关的正则化方案，其行为不同于向零正则化的经典正则化器（例如岭回归或lasso）。在数字识别和语义分割任务上，我们的方法学习到的模型在一组先验未知的目标域上提升了性能。