潜域建模提升对地理分布偏移的鲁棒性
机器学习
2026-02-10 v3 计算机视觉与模式识别
摘要
当训练数据集中地球位置的分布与推理时所见的分布不同时，就会产生地理分布偏移。在此设置下使用标准经验风险最小化（ERM）可能导致在不同空间决定的感兴趣群体（如大洲或生物群落）之间出现不均衡的泛化。解决地理分布偏移的最常见方法使用离散群组标签应用域适应方法，忽略了通常作为元数据可用的地理坐标。另一方面，整合地理坐标的建模方法已被证明能提升整体性能，但其对地理域泛化的影响尚未被研究。在本工作中，我们提出了一个通用建模框架以提升对地理分布偏移的鲁棒性。核心思想是使用位置编码器建模连续的、潜在的域分配，并使主任务预测器以联合训练的潜变量为条件。在四个具有不同群组划分的多样化地理标记图像数据集上，我们展示了我们框架的实例相比现有的域适应和位置感知建模方法在最差群组性能上取得了显著提升。特别是，我们在 WILDS 基准测试的两个数据集上取得了新的 SOTA 结果。
引用
@article{arxiv.2503.02036,
title = {Latent Domain Modeling Improves Robustness to Geographic Shifts},
author = {Ruth Crasto and Esther Rolf},
journal= {arXiv preprint arXiv:2503.02036},
year = {2026}
}