针对不平衡域的负样本主导对比学习
机器学习
2026-01-30 v1
摘要
不平衡域泛化（IDG）旨在缓解域内外偏移，二者本质上塑造模型决策边界，尤其在跨域异构长尾分布情况下更为关键。尽管其实际意义重大，但目前仍未得到充分探索，主要源于处理其纠缠的技术复杂性以及理论基础不足。本文我们首先在理论上建立了IDG的泛化界，突出后验偏差和决策间隔的作用。该界激励我们关注直接引导决策边界，标志着与现有方法的明确区别。随后，我们提出一种新颖的负样本主导对比学习（NDCL）用于IDG，以增强判别性同时实现跨域后验一致性。具体而言，通过在对比学习中更强调负样本作为主要信号，自然放大少数类的梯度信号，避免决策边界偏向多数类。同时，通过重新加权交叉熵策略鼓励类内紧凑性，并通过预测中心对齐策略实现跨域后验一致性。最后，在严格且具挑战性的基准测试上验证了NDCL的有效性。代码已公开于https://github.com/Alrash/NDCL。
引用
@article{arxiv.2601.21999,
title = {Negatives-Dominant Contrastive Learning for Generalization in Imbalanced Domains},
author = {Meng Cao and Jiexi Liu and Songcan Chen},
journal= {arXiv preprint arXiv:2601.21999},
year = {2026}
}