在单测试样本上跨域泛化的学习
机器学习
2022-02-17 v1 计算机视觉与模式识别
摘要
我们致力于从一组源域中学习一个对未见目标域泛化良好的模型。这种域泛化场景的主要挑战在于训练期间任何目标域数据均不可用，导致所学模型未被显式适配到未见目标域。我们提出在单测试样本上学习跨域泛化。我们利用元学习范式来学习模型，使其在训练时获得利用单样本进行适配的能力，从而在测试时进一步适配于每个单测试样本。我们将对单测试样本的适配表述为一个变分贝叶斯推断问题，其将测试样本作为条件纳入模型参数的生成中。对每个测试样本的适配在测试时仅需一次前馈计算，无需对来自未见域的额外数据进行微调或自监督训练。大量消融研究表明，我们的模型通过在训练中模拟域偏移来学习将模型适配到每个单样本的能力。此外，在多个域泛化基准上，我们的模型取得了至少可与最先进方法相媲美——且往往更优——的性能。
引用
@article{arxiv.2202.08045,
title = {Learning to Generalize across Domains on Single Test Samples},
author = {Zehao Xiao and Xiantong Zhen and Ling Shao and Cees G. M. Snoek},
journal= {arXiv preprint arXiv:2202.08045},
year = {2022}
}