面向域泛化的集合值预测
机器学习
2025-07-08 v1
摘要
尽管现代机器学习取得了显著进展，但在域泛化（DG）任务中实现鲁棒性仍是重大挑战。在DG中，模型需通过学习来自多个相关训练分布（称为域）的样本，才能在来自未见测试分布的样本上表现良好。大多数现有方法依赖单值预测，这本质上限制了其鲁棒性。我们认为，可利用集合值预测器来提高跨未见域的鲁棒性，同时这些集合应尽可能小。我们引入了一个定义成功集合预测的理论框架，聚焦于在尽可能多的域上满足预定义的性能准则，并提供了关于在何种条件下可实现此类域泛化的理论见解。我们进一步提出了一种与现代学习体系结构兼容的实用优化方法，在保持对未见域鲁棒性能的同时实现小预测集合。我们在WILDS基准的几个真实数据集上对方法进行评估，证明其作为鲁棒域泛化的有前景的方向。
引用
@article{arxiv.2507.03146,
title = {Set Valued Predictions For Robust Domain Generalization},
author = {Ron Tsibulsky and Daniel Nevo and Uri Shalit},
journal= {arXiv preprint arXiv:2507.03146},
year = {2025}
}
备注
ICML 2025