学会学习单域泛化
计算机视觉与模式识别
2020-03-31 v1
摘要
我们关注模型泛化中的最坏情形,即模型旨在对许多未见域表现良好,而训练时仅有一个单一域可用。我们提出一种名为对抗域增强的新方法来解决此分布外(OOD)泛化问题。其核心思想是利用对抗训练创建“虚构”却“具挑战性”的总体,模型可从中学习泛化并具备理论保证。为促进快速且理想的域增强,我们将模型训练置于元学习框架中,并使用 Wasserstein 自编码器(WAE)来松弛广泛使用的最坏情形约束。我们给出详尽的理论分析以验证表述,同时在多个基准数据集上的大量实验表明其在处理单域泛化方面的优越性能。
关键词
引用
@article{arxiv.2003.13216,
title = {Learning to Learn Single Domain Generalization},
author = {Fengchun Qiao and Long Zhao and Xi Peng},
journal= {arXiv preprint arXiv:2003.13216},
year = {2020}
}
备注
In CVPR 2020 (13 pages including supplementary material). The source code and pre-trained models are publicly available at: https://github.com/joffery/M-ADA