基于变分信息瓶颈学习域泛化的元学习方法
计算机视觉与模式识别
2020-07-16 v1
摘要
域泛化模型学习泛化到先前未见的域，但受到预测不确定性和域偏移的困扰。在本文中，我们同时解决这两个问题。我们引入了一种用于域泛化的概率元学习模型，其中跨域共享的分类器参数被建模为分布。这能够更好地处理在未见域上的预测不确定性。为应对域偏移，我们通过所提出的元变分信息瓶颈原理（称为 MetaVIB）学习域不变表示。MetaVIB 由互信息的新型变分界推导而来，利用了域泛化的元学习设定。通过情景训练，MetaVIB 学习逐步缩小域间差距以建立域不变表示，同时最大化预测准确率。我们在三个跨域视觉识别基准上进行了实验。全面的消融研究验证了 MetaVIB 对域泛化的益处。对比结果表明我们的方法始终优于以往的方法。
引用
@article{arxiv.2007.07645,
title = {Learning to Learn with Variational Information Bottleneck for Domain Generalization},
author = {Yingjun Du and Jun Xu and Huan Xiong and Qiang Qiu and Xiantong Zhen and Cees G. M. Snoek and Ling Shao},
journal= {arXiv preprint arXiv:2007.07645},
year = {2020}
}
备注
15 pages, 4 figures, ECCV2020