基于对抗记忆的单域泛化
机器学习
2025-03-11 v1 人工智能
摘要
域泛化（DG）旨在通过利用来自多个训练域的数据，训练能够泛化到未见测试域的模型。然而，传统的 DG 方法依赖于多个多样化训练域的可用性，限制了其在数据受限场景中的适用性。单域泛化（SDG）通过将训练数据限制在单一域分布中，应对了更具现实性和挑战性的设定。SDG 的主要挑战源于训练数据的有限多样性以及未见测试数据分布的不可访问性。为了应对这些挑战，我们提出了一种利用对抗记忆库来增强训练特征的单域泛化方法。我们基于记忆的特征增强网络将训练和测试特征映射到由多样化记忆特征张成的不变子空间中，从而在投影空间中隐式地对齐训练域和测试域。为了维持一个多样化且具代表性的特征记忆库，我们引入了一种对抗特征生成方法，用于创建超出训练域分布的特征。实验结果表明，我们的方法在标准单域泛化基准上取得了 SOTA 性能。
引用
@article{arxiv.2503.06288,
title = {Single Domain Generalization with Adversarial Memory},
author = {Hao Yan and Marzi Heidari and Yuhong Guo},
journal= {arXiv preprint arXiv:2503.06288},
year = {2025}
}