尊重域关系：面向域泛化的假设不变性
机器学习
2020-10-16 v1 计算机视觉与模式识别
摘要
在域泛化中，训练时可利用多个有标签的、非独立同分布源域，而目标域的数据与标签均不可用。当前，学习所谓的域不变表示（DIRs）是域泛化的主流方法。本文中，我们以概率术语定义现有工作所采用的 DIRs，并表明通过学习 DIRs 会对不变性施加过于严格的要求。具体而言，DIRs 旨在完美对齐不同域的表示，即其输入分布。然而，这对于向目标域的良好泛化并非必要，甚至可能丢弃有价值的分类信息。我们提出学习所谓的假设不变表示（HIRs），其仅通过对齐后验而非对齐表示，从而放宽不变性假设。我们在公开域泛化数据集上报告实验结果，表明学习 HIRs 比学习 DIRs 更有效。事实上，我们的方法甚至可与利用域先验知识的方法相竞争。
引用
@article{arxiv.2010.07591,
title = {Respecting Domain Relations: Hypothesis Invariance for Domain Generalization},
author = {Ziqi Wang and Marco Loog and Jan van Gemert},
journal= {arXiv preprint arXiv:2010.07591},
year = {2020}
}
备注
accepted at ICPR 2020