论多域长尾识别、不平衡域泛化及更一般情形
机器学习
2022-08-02 v3 人工智能
计算机视觉与模式识别
摘要
现实世界数据常呈现不平衡的标签分布。现有关于数据不平衡的研究聚焦于单域设定，即样本来自同一数据分布。然而，自然数据可源自不同域，其中某一域中的少数类可能在其他域拥有大量实例。我们形式化了多域长尾识别（MDLT）任务，它从多域不平衡数据中学习，处理标签不平衡、域偏移及跨域分歧的标签分布，并泛化到所有域-类对。我们首先构建了域-类可迁移性图，并表明此种可迁移性决定了 MDLT 中学习的成败。随后我们提出 BoDA，一种理论奠基的学习策略，追踪可迁移性统计的上界，并确保跨不平衡域-类分布的均衡对齐与校准。我们基于广泛使用的多域数据集整理了五个 MDLT 基准，并将 BoDA 与涵盖不同学习策略的二十种算法比较。大量严谨实验验证了 BoDA 的优越性能。此外，作为副产品，BoDA 在域泛化基准上确立了新的 SOTA，凸显了解决跨域数据不平衡的重要性，这对提升对未见域的泛化能力至关重要。代码与数据可在：https://github.com/YyzHarry/multi-domain-imbalance 获取。
引用
@article{arxiv.2203.09513,
title = {On Multi-Domain Long-Tailed Recognition, Imbalanced Domain Generalization and Beyond},
author = {Yuzhe Yang and Hao Wang and Dina Katabi},
journal= {arXiv preprint arXiv:2203.09513},
year = {2022}
}
备注
ECCV 2022