简单域泛化方法是开放域泛化的强基线

在真实世界应用中，机器学习模型除了需要处理域偏移（即训练与推理阶段数据分布不同）外，还需处理开放集识别（OSR），即推理阶段出现未知类别。域泛化（DG）旨在处理推理阶段目标域在模型训练时不可及的域偏移情形。开放域泛化（ODG）同时考虑 DG 与 OSR。域增强元学习（DAML）是一种针对 ODG 的方法，但具有复杂的学习过程。另一方面，尽管已提出多种 DG 方法，它们尚未在 ODG 情形下被评估。本工作全面评估现有 DG 方法在 ODG 中的表现，并表明两种简单 DG 方法——相关对齐（CORAL）与最大均值差异（MMD）——在若干情形下可与 DAML 竞争。此外，我们通过引入 DAML 中使用的技术（如集成学习与 Dirichlet mixup 数据增强）提出 CORAL 与 MMD 的简单扩展。实验评估表明，扩展后的 CORAL 与 MMD 能以更低计算成本达到与 DAML 相当的性能。这表明简单的 DG 方法及其简单扩展是 ODG 的强基线。实验所用代码见 https://github.com/shiralab/OpenDG-Eval。