面向域泛化的协变量偏移与条件偏移协同缓解方法
计算机视觉与模式识别
2022-09-20 v1 人工智能
机器学习
摘要
域泛化（DG）旨在多个源域上学习一个模型，希望该模型能很好地泛化到未见的目标域。域间的分布偏移包含协变量偏移和条件偏移，模型必须具备处理这两种偏移的能力以获得更好的泛化性。本文提出一种新的 DG 方法，通过视觉对齐与不确定性引导的置信集成（VAUE）来处理分布偏移。具体而言，针对协变量偏移，设计视觉对齐模块将图像风格的分布对齐到一个公共的经验高斯分布，从而在视觉空间中消除协变量偏移。针对条件偏移，我们采用基于主观逻辑与 Dempster-Shafer 理论的不确定性引导置信集成策略。给定测试样本的条件分布通过源域条件分布的动态组合来估计。在四个广泛使用的数据集 Office-Home、VLCS、TerraIncognita 和 PACS 上进行了综合实验，证明了所提方法的优越性能。
引用
@article{arxiv.2209.08253,
title = {Mitigating Both Covariate and Conditional Shift for Domain Generalization},
author = {Jianxin Lin and Yongqiang Tang and Junping Wang and Wensheng Zhang},
journal= {arXiv preprint arXiv:2209.08253},
year = {2022}
}