基于不确定性量化的单源域外泛化方法
计算机视觉与模式识别
2022-06-17 v2
摘要
我们关注模型泛化的最坏情形，即模型旨在对许多未见域表现良好，而训练时仅有一个单一域可用。我们提出基于元学习的对抗域增强来解决这一域外泛化问题。核心思想是利用对抗训练创建“虚构”却“具挑战性”的总体，模型可从中学习泛化并具备理论保证。为促进快速且理想的域增强，我们将模型训练置于元学习框架中，并使用 Wasserstein 自编码器来松弛广泛使用的最坏情形约束。我们通过整合不确定性量化以高效域泛化进一步改进方法。在多个基准数据集上的大量实验表明其在处理单域泛化方面的优越性能。
引用
@article{arxiv.2108.02888,
title = {Out-of-Domain Generalization from a Single Source: An Uncertainty Quantification Approach},
author = {Xi Peng and Fengchun Qiao and Long Zhao},
journal= {arXiv preprint arXiv:2108.02888},
year = {2022}
}
备注
13 pages, 11 figures, accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence. arXiv admin note: substantial text overlap with arXiv:2003.13216