文章从理论上分析了上述变换在多大程度上偏离了原问题。提出了一种用于联合表示解纠缠和域泛化的原对偶算法。与传统的基于领域对抗训练和领域标签的方法相比,DDG联合学习语义编码器和变异编码器来解缠,实现了对训练数据的灵活操作和增强。DDG的目标是学习语义概念的内在表示,这些语义概念不受干扰因素的影响,并且可以跨领域一般化。
Introduction
尽管在许多视觉识别基准上具有经验上的有效性,现代神经网络仍然容易产生源自虚假相关性的学习捷径,导致糟糕的非分布(OOD)泛化。为了解决这一挑战,领域泛化(DG)已经成为一个越来越重要的任务,其目标是学习不变表示。
DG的一个关键要求是确保学习表征对所有可能的类间变异的不变性。因此,我们的直觉是,首先通过建模潜在的可见或不可见的变化来多样化类间变化,然后在以预测语义标签为目标的表示空间中最小化类间变化的差异。为此,我们首先在解纠缠的基础上形式化分布移位和不变性。具体地说,我们提出了类语义之间的解纠缠,以及域内和域间的变化作为DG问题的约束。然后,我们提出了一种新的框架,称为解纠缠约束域泛化(DDG)。
![](https://i-blog.csdnimg.cn/blog_migrate/14f1317f16036bd6633499154d0a8777.png)
基于数字标签解缠(语义)和旋转角度(跨域变化)的DDG示例。DDG试图将同一类生成的样本的语义差异