基于类别感知对齐的免域标签域泛化方法
机器学习
2021-02-18 v1 机器学习
摘要
尽管深度神经网络在各种学习任务上展示了最先进的性能，其性能依赖于训练与测试分布相同的假设，而该假设在真实世界应用中可能不成立。域泛化通过利用多个源域来构建鲁棒模型，使其能泛化到受数据分布偏移影响的未见目标域，从而解决此问题。本文提出免域标签域泛化 (DFDG)，一种模型无关的方法，无需源域标签即可在未见测试域上实现更好的泛化性能。DFDG 使用新颖策略学习域不变且类别可判别的特征。它通过类条件软标签对齐样本的类关系，并利用传统上为图像分类网络事后分析开发的显著图从训练输入中去除表面化观测。DFDG 在时序传感器和图像分类公开数据集上均取得了有竞争力的性能。
引用
@article{arxiv.2102.08897,
title = {Robust Domain-Free Domain Generalization with Class-aware Alignment},
author = {Wenyu Zhang and Mohamed Ragab and Ramon Sagarna},
journal= {arXiv preprint arXiv:2102.08897},
year = {2021}
}
备注
Accepted to ICASSP 2021