用于无监督域泛化的层次化变分自编码

我们解决域泛化任务，其目标是训练一个预测模型使其能泛化到新的、先前未见的域。我们在变分自编码器的框架内选择层次化生成方法，并提出一种域无监督算法，能够在无域监督的情况下泛化到新域。我们表明，即使在训练期间未观察到域结构的复杂设定下，我们的方法也能学习到将域特定信息与类标签特定信息解耦的表示。我们的可解释方法在包括序列重叠近连续域偏移在内的若干层次化域设定中，优于先前提出的用于域泛化的生成算法以及其他非生成的最先进方法。在标准域泛化基准数据集 PACS 上，与依赖于训练期间观察域特定信息的最先进方法以及另一种域无监督方法相比，它也取得了具有竞争力的性能。此外，我们提出了纯粹基于证据下界（ELBO）的模型选择，并提出了弱域监督，可将隐式域信息加入算法中。