有限源知识下基于 Wasserstein 分布鲁棒性的未知域泛化
机器学习
2024-03-26 v2 计算机视觉与模式识别
摘要
域泛化旨在学习一个在未知目标域上表现良好的通用模型，并融合来自多个源域的知识。本研究考虑不同域间各类条件分布发生不同域偏移的情形。当源域中带标签样本有限时，现有方法鲁棒性不足。为解决该问题，受分布鲁棒优化概念启发，我们提出一种称为 Wasserstein 分布鲁棒域泛化（WDRDG）的新颖域泛化框架。我们鼓励类特定 Wasserstein 不确定性集内条件分布的鲁棒性，并优化分类器在这些不确定性集上的最坏情况性能。我们进一步开发利用最优传输的测试时自适应模块，量化未知目标域与源域间关系，以对目标数据做出自适应推断。在 Rotated MNIST、PACS 和 VLCS 数据集上的实验表明，我们的方法能在具挑战的泛化场景中有效平衡鲁棒性与可分辨性。
引用
@article{arxiv.2207.04913,
title = {Generalizing to Unseen Domains with Wasserstein Distributional Robustness under Limited Source Knowledge},
author = {Jingge Wang and Liyan Xie and Yao Xie and Shao-Lun Huang and Yang Li},
journal= {arXiv preprint arXiv:2207.04913},
year = {2024}
}