TripleE：通过情景重放实现的简易域泛化
机器学习
2022-10-06 v1 人工智能
摘要
学习如何将模型泛化到未见域是一个重要的研究领域。在本文中，我们提出 TripleE，其主要思想是鼓励网络专注于在子集上训练（通过重放学习）并扩大在子集上学习的数据空间。通过重放学习包含两个核心设计，EReplayB 和 EReplayD，它们分别在批量和数据集上执行重放机制。借此，网络可专注于在子集上学习而非一眼浏览全局集合，从而在集成中扩大模型多样性。为扩大在子集上学习的数据空间，我们验证了穷举且单一的增强（ESAug）在重放期间扩展子集数据空间方面表现惊人地好。我们称为 TripleE 的模型极其简单，基于简单的增强与集成。无需额外技巧，我们的 TripleE 方法在六个域泛化基准上超越了先前方法，表明该方法可作为未来域泛化研究的一块垫脚石。
引用
@article{arxiv.2210.01807,
title = {TripleE: Easy Domain Generalization via Episodic Replay},
author = {Xiaomeng Li and Hongyu Ren and Huifeng Yao and Ziwei Liu},
journal= {arXiv preprint arXiv:2210.01807},
year = {2022}
}