#今日论文推荐#从CVPR 2022看域泛化（Domain Generalization）最新研究进展

最新推荐文章于 2024-09-12 07:44:24 发布

wwwsxn

最新推荐文章于 2024-09-12 07:44:24 发布

阅读量793

点赞数

分类专栏：深度学习文章标签：大数据

原文链接：https://www.aminer.cn/research_report/62b51f257cb68b460fda2f22

版权

深度学习专栏收录该内容

716 篇文章 30 订阅

订阅专栏

本文聚焦于CVPR2022会议上关于域泛化的研究，探讨了在缺乏目标域数据的情况下，如何利用多个源域信息提升模型的泛化能力。特别地，文章介绍了Bayesian Invariant Risk Minimization（BIRM）方法，该方法通过引入Bayesian inference来缓解深度模型在IRM上的过拟合问题，从而改善模型在不同域之间的泛化性能。

摘要由CSDN通过智能技术生成

#今日论文推荐#从CVPR 2022看域泛化（Domain Generalization）最新研究进展

Domain Adaptation（DA：域自适应），Domain Generalization（DG：域泛化）一直以来都是各大顶会的热门研究方向。DA 假设我们有有一个带标签的训练集（源域），这时候我们想让模型在另一个数据集上同样表现很好（目标域），利用目标域的无标签数据，提升模型在域间的适应能力是 DA 所强调的。以此为基础，DG 进一步弱化了假设，我们只有多个源域的数据，根本不知道目标域是什么，这个时候如何提升模型泛化性呢？核心在于如何利用多个源域带来的丰富信息。本文挑选了四篇 CVPR 2022 域泛化相关的文章来研究最新的进展。

分布偏移下的泛化是机器学习的一个开放挑战。不变风险最小化（IRM）通过提取不变特征来解决这个问题。虽然 IRM 有着完备的理论体系，但是在深度模型上表现往往不是很好，本文认为这种失败主要是深度模型容易过拟合引起的，并理论验证了当模型过拟合时，IRM 退化为传统的 ERM。本文将 Bayesian inference 引入 IRM 提出了 Bayesian Invariant Risk Min-imization（BIRM）来一定程度上缓解这个问题并取得了不错的效果。

论文题目：Bayesian Invariant Risk Minimization
详细解读：https://www.aminer.cn/research_report/62b51f257cb68b460fda2f22
AMiner链接：https://www.aminer.cn/?f=cs