TPAMI 2024|演变中的领域泛化通过潜在结构感知序列自编码器

Evolving Domain Generalization via Latent Structure-Aware Sequential Autoencoder

演变中的领域泛化通过潜在结构感知序列自编码器

Tiexin Qin, Shiqi Wang, Haoliang Li

---

摘要

领域泛化（DG）指的是将机器学习系统推广到分布外（OOD）数据的问题，该问题通过从几个提供的源领域学习知识来解决。大多数先前的工作将自己局限在静止和离散的环境中来解决由OOD数据引起的这种泛化问题。然而，在实践中，许多非静止环境中的任务（例如，自动驾驶汽车系统，传感器测量）涉及更复杂且持续演变的领域漂移，为模型部署带来了新的挑战。在本文中，我们首先将这种设置格式化为演变领域泛化问题。为了应对不断变化的领域，我们提出了一种新的框架MMD-LSAE，它通过学习捕获领域间的演变模式以实现更好的泛化。具体来说，MMD-LSAE通过两种类型的分布偏移来表征非静止环境中的OOD数据：协变量偏移和概念偏移，并使用深度自编码器模块分别在潜在空间推断它们的动态。在这些模块中，通