长尾半监督域泛化的信息最大化
计算机视觉与模式识别
2026-03-10 v1
摘要
半监督域泛化（SSDG）最近作为一种在标注数据稀缺但跨域无标注样本丰富的场景下解决域泛化问题的引人注目的替代方案而浮出水面。本文识别到一种重要限制，这种限制阻碍了最新方法在更具挑战性但更实用的场景中的部署。特别是，最新的SSDG方法在长尾分布的类分布存在时会严重受到影响，这种情况在现实世界的设置中可能相当常见。为缓解这一限制，我们提出了IMaX，这是一个简单而有效的目标函数，基于众所周知的InfoMax原理应用于SSDG场景，其中在已知特征与隐含标签之间最大化互信息（MI），同时受来自标注样本的监督约束。我们的公式集成了一个 -熵目标，这可以缓解标准边际熵项中编码的类平衡偏差，从而更好地处理任意类分布。IMaX可以无缝集成到最近的SOTA SSDG方法中，并在两种不同图像模态上进行了实证验证，一致地提升了其性能。
引用
@article{arxiv.2603.08434,
title = {Information Maximization for Long-Tailed Semi-Supervised Domain Generalization},
author = {Leo Fillioux and Omprakash Chakraborty and Quentin Gopée and Pierre Marza and Paul-Henry Cournède and Stergios Christodoulidis and Maria Vakalopoulou and Ismail Ben Ayed and Jose Dolz},
journal= {arXiv preprint arXiv:2603.08434},
year = {2026}
}