域泛化中重构损失与特征对齐之间的权衡

域泛化（Domain generalization, DG）是迁移学习的一个分支，旨在多个已见域上训练学习模型，然后将这些预训练模型应用于其他未见（未知但相关）的域。为了应对DG中未见域的数据和标签在训练时均不可用的挑战性设置，最常见的方法是基于域不变表征特征（即在域之间保持不变且可迁移的潜在表征）来设计分类器。与普遍看法相反，我们表明，仅基于不变表征特征设计分类器对于DG是必要但不充分的。我们的分析表明，有必要对表征函数引起的重构损失施加约束，以在潜在空间中保留大部分与标签相关的信息。更重要的是，我们指出了在DG中最小化重构损失与实现域对齐之间的权衡。我们的理论结果催生了一个新的DG框架，该框架联合优化重构损失和域差异。我们提供了理论和数值结果来验证我们的方法。