伪多源域泛化：弥合单源与多源域泛化之间的鸿沟
机器学习
2025-05-30 v1 计算机视觉与模式识别
摘要
深度学习模型在部署于与其训练数据不同的数据分布时，往往难以保持性能，特别是在环境条件频繁变化的实际应用中。虽然多源域泛化 (MDG) 通过在训练期间利用多个源域在应对这一挑战方面展现出了潜力，但其创建多域数据集的巨大成本和困难限制了其实际应用。为了解决这一局限性，我们提出了伪多源域泛化 (PMDG)，这是一个新颖的框架，能够在更实际的单源域泛化 (SDG) 环境中应用复杂的 MDG 算法。PMDG 通过风格迁移和数据增强技术从单一源域生成多个伪域，创建出一个合成多域数据集，可与现有的 MDG 算法一起使用。通过使用我们修改后的 DomainBed 基准版本 PseudoDomainBed 进行大量实验，我们分析了 PMDG 在多个数据集和架构上的有效性。我们的分析揭示了几项关键发现，包括 MDG 与 PMDG 性能之间的正相关性，以及在数据充足时伪域有潜力匹配甚至超越实际多域的性能。这些全面的实证结果为域泛化的未来研究提供了有价值的见解。我们的代码可在 https://github.com/s-enmt/PseudoDomainBed 获取。
引用
@article{arxiv.2505.23173,
title = {Pseudo Multi-Source Domain Generalization: Bridging the Gap Between Single and Multi-Source Domain Generalization},
author = {Shohei Enomoto},
journal= {arXiv preprint arXiv:2505.23173},
year = {2025}
}