背景分布迁移下的开放集域适应：挑战与可证明高效解决方案
机器学习
2026-05-20 v4 人工智能
计算机视觉与模式识别
摘要
随着机器学习系统在现实世界中的部署，一个核心挑战是即使数据发生变化，仍能保持模型的良好性能。这种变化可以呈现多种形式：新的类别可能在训练期间缺席，这被称为开放集识别问题；已知类别的分布可能发生变化。大多数开放集识别保证假设已知类别的分布（即背景分布）是固定的。本文我们发展了CoLOR方法，该方法能够在背景分布发生变化的困难情况下解决开放集识别问题。我们证明该方法在已知新类别与非新类别可分离的良好假设下有效，并提供理论保证表明其在简化的过参数化设置下优于代表性基线方法。我们开发了技术措施使CoLOR具有可扩展性和鲁棒性，并对图像和文本数据进行了全面的实证评估。结果表明CoLOR在背景迁移下显著优于现有开放集识别方法。此外，我们提供了关于新类别大小等因素如何影响性能的新见解，这一方面在 prior work 中未得到广泛探讨。
引用
@article{arxiv.2512.01152,
title = {Open-Set Domain Adaptation Under Background Distribution Shift: Challenges and A Provably Efficient Solution},
author = {Shravan Chaudhari and Yoav Wald and Suchi Saria},
journal= {arXiv preprint arXiv:2512.01152},
year = {2026}
}
备注
Project page at https://github.com/Shra1-25/CoLOR