用于域泛化的自平衡学习

域泛化旨在多域源数据上学习一个预测模型，使得该模型能够泛化到统计特性未知的目标域。现有大多数方法都是在源数据于域和类别两方面均良好平衡的假设下开发的。然而，以不同组成偏差收集的真实世界训练数据常表现出严重的域与类别分布差异，导致性能显著下降。本文提出一种自平衡域泛化框架，其自适应地学习损失权重以缓解多域源数据不同分布所引起的偏差。该自平衡方案基于一个辅助重加权网络，其利用平衡元数据，以域和类别信息为条件迭代更新损失权重。实验结果证明了我们的方法在域泛化上优于最先进工作的有效性。