MADG：基于间隔对抗学习的域泛化方法
计算机视觉与模式识别
2023-11-16 v1 机器学习
摘要
域泛化（DG）技术已成为应对深度学习（DL）中域偏移挑战的一种流行方法，其目标是在训练期间未见过的目标域上良好泛化。近年来，已提出众多方法来解决 DG 设定，其中流行的一类方法是基于对抗学习的方法。对抗 DG 方法背后的主要思想是通过最小化差异度量来学习域不变特征。然而，大多数对抗 DG 方法使用基于 0-1 损失的 散度度量。相比之下，基于间隔损失的差异度量具有以下优势：信息量更丰富、更紧、更实用且可高效优化。为弥补这一差距，本文受基于间隔损失的差异度量启发，提出一种新颖的对抗学习 DG 算法 MADG。所提出的 MADG 模型在所有源域上学习域不变特征，并使用对抗训练以在未见过的目标域上良好泛化。我们还基于未见目标误差界对所提 MADG 模型进行了理论分析。具体而言，我们在实值假设空间中构建了源域与未见域之间的联系，并利用间隔损失和 Rademacher 复杂度推导了泛化界。我们在流行的真实世界 DG 数据集 VLCS、PACS、OfficeHome、DomainNet 和 TerraIncognita 上对 MADG 模型进行了广泛实验。我们在 DomainBed 的基准上评估了所提算法，并观察到在所有数据集上的一致性能。
引用
@article{arxiv.2311.08503,
title = {MADG: Margin-based Adversarial Learning for Domain Generalization},
author = {Aveen Dayal and Vimal K. B. and Linga Reddy Cenkeramaddi and C. Krishna Mohan and Abhinav Kumar and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:2311.08503},
year = {2023}
}