基于理由不变性的领域泛化

Aug, 2023

Domain Generalization via Rationale Invariance

Liang Chen, Yong Zhang, Yibing Song, Anton van den Hengel, Lingqiao Liu

TL;DR本文提出了一种新的方法来缓解领域泛化的挑战，即在未知环境中保持强大的结果。我们的设计集中于最终分类器层的决策过程。具体来说，我们建议将对最终结果的逐元素贡献视为决策的依据，并将每个样本的理由表示为矩阵。为了实现一个良好泛化的模型，我们提出了一个新的规则不变损失作为一种简单的正则化技术，只需要几行代码。尽管简单，我们的实验证明了所提出的方法在各种数据集上取得了有竞争力的结果。

Abstract

This paper offers a new perspective to ease the challenge of domain generalization, which involves maintaining robust results even in unseen environments. Our design focuses on the decision-making process in the

发现论文，激发创造

通过不变特征表示的领域泛化

本文介绍了一种基于核方法的算法Domain-Invariant Component Analysis，通过最小化域间差异并保留输入输出间的功能关系，学习一个不变转换来实现从已知相关领域到未曾接触领域的知识迁移。学习理论分析表明，减少差异可以提高分类器在新领域上的期望泛化能力。实验结果表明，DICA成功地学习了不变的特征并改善了分类器的性能。

Jan, 2013

通过条件不变表示实现域泛化

本文针对数据集偏差问题，提出一种基于类条件分布的域不变特征表示方法，在合成和实际数据上的实验证明其有效性。

Jul, 2018

使用因果匹配进行域泛化

本论文表明，领域泛化的目标不仅仅是考虑到类别标签，还包括特定因果特征，并提出了一种基于匹配的算法来实现该目标，该算法通过数据增强的方式观察基本对象并近似目标结果，结果表明该算法优于先前方法。

Jun, 2020

寻找失落的领域泛化

本文介绍一种在不同训练集下预测性能好的算法——domain generalization algorithms，并提出它们在实际应用中的可用性。作者实现了一个名为 DomainBed 的测试平台，测试了不同数据集、不同基准算法和不同模型选择的效果，并发现在经验风险最小化的情况下，预测性能最优。研究人员们的贡献，加上这个领域的开源，将推动可重复性和严格性研究的发展。

Jul, 2020

泛化到未见领域：关于领域泛化的调查

这篇论文是对近年来领域泛化（即在一个或多个不同但相关的领域中学习出可以推广到看不见的测试领域的模型）领域的最新进展的首次回顾，涵盖了相关的理论、算法、数据集、应用，并提出了未来的研究方向。

Mar, 2021

现实世界域泛化的自适应方法

本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

Mar, 2021

域一般化算法的失效模式

本文提出了一个可以将错误分解成不同泛化方面的组成部分的域泛化算法评估框架，并将其扩展到捕捉实现不变性的各种失败类型。作者表明，域不变表示学习的策略存在两个问题，并提出了一个可行的调整分类器的方向。通过对Colored MNIST和Camelyon-17数据集的评估，作者发现泛化误差的最大贡献因素因方法、数据集、正则化强度甚至训练长度而异。

Nov, 2021

统一常用领域泛化方法的因果框架

本研究提出了一种因果框架来研究领域泛化问题，希望通过对领域泛化的统一视角，帮助研究人员更好地理解其基本原理并发展出更有效的机器学习方法。

Jul, 2023

重新思考领域泛化：可辨别性与泛化能力

域泛化的新观点，创造了具有强大可辨别性和鲁棒普适性的特征，通过Selective Channel Pruning和Micro-level Distribution Alignment两个核心组件，解决了当前域泛化中特征泛化和差异化挑战。

Sep, 2023

领域无关条件不变预测

通过基于判别风险最小化理论和算法的不变特征捕获来解决领域泛化中没有领域标签的挑战，通过测试真实数据集验证了该方法的有效性。

Jun, 2024