Overcoming Data Inequality across Domains with Semi-Supervised Domain Generalization
Seoul National University（首尔大学）
针对仅有一个带标注域的半监督域泛化这一跨域数据不平等问题，提出基于域感知原型和不确定性自适应混合的ProUD算法，在三个基准数据集上性能优于所有基线模型。
2024-03-08 cs.AI cs.CV cs.LG
Self-balanced Learning For Domain Generalization
Yonsei University（延世大学）；Ewha Womans University（梨花女子大学）
领域泛化的目的是在多领域源数据上学习预测模型，使得模型可以泛化到具有未知统计量的目标领域。大多数现有的方法都是在假设源数据在域和类方面是平衡的情况下开发的。然而，真实世界的训练数据收集与不同的组成偏见往往表现出严重的分布差距的领域和类，导致实质性的性能下降。在本文中，我们提出了一个自平衡的领域泛化框架，自适应地学习损失的权重，以减轻由不同分布的多领域源数据造成的偏见。自平衡方案是基于一个辅助的重新加权网络，迭代更新的域和类信息的条件下，通过利用平衡的Meta数据的损失的重量。实验结果表明，我们的方法压倒国家的最先进的作品领域泛化的有效性。
2021-08-31 cs.AI cs.CV cs.LG
Simple Domain Generalization Methods are Strong Baselines for Open Domain Generalization
Graduate School of Environment and Information Sciences（环境与信息科学研究生院）；Yokohama National University（Yokohama国立大学）；Faculty of Environment（环境学系）
本文评估现有域泛化方法在开放域泛化中的表现，发现简单方法CORAL和MMD与复杂方法DAML竞争力相当，并通过集成学习和Dirichlet混合数据增强简单扩展后性能接近DAML且计算成本更低。
2026-06-18 cs.AI cs.CV cs.LG
Domain Generalization Emerges from Dreaming
最近的研究已经证明，与人类视觉不同，DNN倾向于利用纹理信息而不是形状。这种纹理偏差是DNN泛化性能差的因素之一。我们观察到纹理偏差不仅对领域泛化产生负面影响，而且对分布外泛化也产生负面影响，即，领域泛化。受观察的启发，我们提出了一个新的框架，以减少模型的纹理偏差的一种新的基于优化的数据增强，被称为风格化的梦想。我们的框架利用自适应实例规范化（AdaIN）来增强原始图像的风格，同时保留内容。然后，我们采用正则化损失来预测Stylized Dream和原始图像之间的一致输出，这鼓励模型学习基于形状的表示。大量的实验表明，该方法在公共基准数据集上的分布外设置中实现了最先进的性能：PACS，VLCS，THEMAHome，TerraIncognita和DomainNet。
2023-02-02 cs.AI cs.CV cs.LG
Domain Generalization through Meta-Learning: A Survey
Chalmers University of Technology（查尔姆斯理工大学）
本综述探讨了元学习在解决深度神经网络分布外泛化问题中的应用，基于特征提取与分类器学习方法提出新分类法与决策图，为领域泛化模型的选择与开发提供系统指导。
2024-08-22 cs.AI cs.CV cs.LG
When and How Does CLIP Enable Domain and Compositional Generalization?
University of Freiburg（弗赖堡大学）
本文研究了CLIP在领域泛化和组合泛化中的表现，发现领域多样性对两者至关重要，但训练分布包含次优子集时组合泛化可能更弱，且成功泛化需在中间层和电路中学习充分共享的表示。
2025-09-12 cs.CV cs.LG
Domain Adversarial Active Learning for Domain Generalization Classification
college of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院）
针对域泛化分类任务，提出域对抗主动学习算法，通过优先选取挑战性样本、优化弱判别特征子集，以更少数据实现强泛化能力，降低标注成本。
2024-03-10 cs.AI cs.LG
Pseudo Multi-Source Domain Generalization: Bridging the Gap Between Single and Multi-Source Domain Generalization
NTT Musashino（NTT神户）
提出伪多源域泛化（PMDG）框架，通过风格迁移和数据增强从单一源域生成多伪域，使现有MDG算法能应用于单源域泛化，实验证明其能有效匹配甚至超越真实多域性能。
2025-05-29 cs.CV cs.LG
Domain Generalization Using a Mixture of Multiple Latent Domains
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
当表示底层数据分布的域在训练和测试过程中发生变化时，深度神经网络的性能就会下降。领域泛化通过使用多个源域来提高未见过目标域的泛化性能。传统的方法假设每个样本所属的域在训练中是已知的。然而，许多数据集，例如通过网络爬行收集的数据集，包含多个潜在域的混合，其中每个样本的域是未知的。本文介绍了领域泛化使用多个潜在域的混合物作为一种新的和更现实的情况下，我们试图训练域广义模型，而不使用域标签。为了解决这种情况，我们提出了一种方法，通过聚类迭代地将样本划分为潜在域，并通过对抗学习训练在划分的潜在域之间共享的域不变特征提取器。我们假设图像的潜在域反映在它们的风格中，因此，利用风格特征进行聚类。通过使用这些特征，我们提出的方法成功地发现潜在的领域，并实现领域泛化，即使领域标签是不给。实验表明，我们提出的方法可以训练领域广义模型，而不使用领域标签。此外，它优于传统的领域泛化方法，包括那些利用域标签。
2019-11-18 cs.CV cs.LG
Scatter Component Analysis: A Unified Framework for Domain Adaptation and Domain Generalization
Victoria University of Wellington（惠灵顿维多利亚大学）
本文讨论了一个特定的目标域的分类任务，其中标记的训练数据只能从源域不同（但相关）的目标。两个密切相关的框架，领域自适应和领域泛化，关注这样的任务，这些框架之间的唯一区别是未标记的目标数据的可用性：领域自适应可以利用未标记的目标信息，而领域泛化不能。我们提出了一种快速的表示学习算法Scatter Component Analyis（SCA），它可以同时应用于领域自适应和领域泛化。SCA基于简单的几何测量，即，scatter，它在再生核希尔伯特空间上操作。SCA找到了一种在最大化类的可分性、最小化域之间的不匹配和最大化数据的可分性之间进行权衡的表示;每一种都通过分散来量化。SCA的优化问题可以归结为一个广义特征值问题，这导致在一个快速和精确的解决方案。在跨领域目标识别基准数据集上的综合实验验证了SCA的性能比几种最先进的算法快得多，并且在领域自适应和领域泛化方面都提供了最先进的分类精度。我们还表明，分散可以用来建立一个理论的推广界的情况下，领域自适应。
2016-07-26 cs.AI cs.CV cs.LG
Complementary Domain Adaptation and Generalization for Unsupervised Continual Domain Shift Learning
Graduate School of Data Science（数据科学研究生院）；Seoul National University（首尔国立大学）
针对无监督持续域偏移学习，提出互补域适应与泛化框架CoDAG，兼顾适应当前域、泛化未见域与防遗忘，模型无关且在多个基准上超越现有方法。
2023-10-13 cs.AI cs.CV cs.LG
DISPEL: Domain Generalization via Domain-Specific Liberating
Texas A&M University（德克萨斯农工大学）；Rice University（莱斯大学）；New Jersey Institute of Technology（新泽西理工学院）
提出DISPEL框架，通过在嵌入空间生成掩码过滤特定领域特征，解决领域泛化中的噪声和标签依赖问题，在五个基准上表现优于现有方法。
2023-08-01 cs.CV cs.LG
Respecting Domain Relations: Hypothesis Invariance for Domain Generalization
Delft University of Technology（代尔夫特理工大学）；University of Copenhagen（哥本哈根大学）
在领域泛化中，训练过程中可以使用多个带标签的非独立且非同分布的源域，而目标域的数据和标签都不可用。目前，学习领域不变表示（DIR）是领域泛化的主流方法。在这项工作中，我们定义了现有的作品中采用的概率术语的DIR，并表明，通过学习DIR，过于严格的要求施加有关的不变性。具体地，DIR旨在完美地对齐不同域的表示，即它们的输入分布。然而，这对于良好地推广到目标域是不必要的，并且甚至可能处理有价值的分类信息。我们建议学习所谓的假设不变表示（HIR），它通过仅仅对齐后验而不是对齐表示来放松不变性假设。我们报告了在公共领域泛化数据集上的实验结果，表明学习HIR比学习DIR更有效。事实上，我们的方法甚至可以与使用领域先验知识的方法竞争。
2020-10-15 cs.CV cs.LG
Domain Adversarial Neural Networks for Domain Generalization: When It Works and How to Improve
University of Pittsburgh（匹兹堡大学）；Northeastern University（东北大学）；Yonsei University（延世大学）
在理论上，领域自适应是一个很好的研究问题。此外，这一理论在实践中得到了很好的应用。特别是，我们注意到Ben-David等人（2010）给出的目标误差的界限，以及Ganin和Lempitsky（2015）提出的基于这项工作的著名域对齐算法，该算法使用域对抗神经网络（DANN）。近年来，针对领域泛化的相关问题，提出了多种DANN变体，但对原始的激励约束没有进行太多的讨论。在本文中，我们从这个角度研究的有效性DANN在领域泛化。我们调查的条件下，DANN的应用是有意义的，并进一步考虑DANN作为一个动态的过程中的培训。我们的调查表明，应用DANN的领域泛化可能并不像它看起来那么简单。为了解决这个问题，我们设计了一个算法扩展到DANN的领域泛化的情况下。实验验证了理论和算法的正确性。
2022-03-18 cs.CV cs.LG
Domain Generalization using Ensemble Learning
Innopolis University（Innopolis大学）
领域泛化是迁移学习的一个子领域，其目的是在缺乏关于目标领域的任何知识的情况下弥合两个不同领域之间的差距。我们的方法解决了模型在单个源域上训练时泛化能力弱的问题。从这个角度来看，我们在单个源上训练的基础深度学习模型之上构建集成模型，以增强其集体预测的泛化能力。到目前为止取得的结果已经证明了有前途的改善，其基础学习的合奏。
2021-03-18 cs.AI cs.LG
A Survey Analyzing Generalization in Deep Reinforcement Learning
University College London（伦敦大学学院）
该综述形式化分析了深度强化学习的泛化性问题，阐释过拟合根源，分类讲解各类提升泛化性的方法，覆盖多类子领域，可为领域发展提供指南并助力构建鲁棒高泛化性的深度神经策略。
2024-10-30 cs.AI cs.LG stat.ML
Learning to Balance Specificity and Invariance for In and Out of Domain Generalization
Georgia Institute of Technology（佐治亚理工学院）；University of Maryland（马里兰大学）
我们引入了特定于领域的泛化掩码，这是一种用于提高域内和域外领域泛化性能的模型。对于领域泛化，目标是从一组源域中学习，以产生一个单一的模型，该模型将最好地泛化到一个看不见的目标域。因此，许多先前的方法专注于学习跨所有源域持续存在的表示，并假设这些域不可知表示将很好地推广。然而，通常单个域包含独特的特征，并且当被利用时可以显著地帮助域内识别性能。为了产生一个最好的推广到可见和不可见域的模型，我们提出了学习域特定的掩码。鼓励掩码学习域不变特征和域特定特征的平衡，从而使模型能够受益于专用特征的预测能力，同时保留域不变特征的普遍适用性。与PACS和DomainNet上的幼稚基线和最先进的方法相比，我们展示了具有竞争力的性能。
2020-08-28 cs.CV cs.LG
Domain Generalization by Learning and Removing Domain-specific Features
University of Wollongong（伍伦贡大学）；University of Technology Sydney（悉尼科技大学）
当测试数据集遵循与训练数据集不同的分布时，深度神经网络（DNN）会发生域偏移。领域泛化旨在通过学习可以泛化到未知领域的模型来解决这个问题。在本文中，我们提出了一种新的方法，旨在明确地删除特定领域的领域泛化功能。根据这种方法，我们提出了一种新的框架，称为学习和删除特定领域的特征泛化（LRDG），通过从输入图像中策略性地删除特定领域的特征来学习域不变模型。具体来说，我们设计了一个分类器，以有效地学习每个源域的特定领域的功能，分别。然后，我们开发了一个编码器-解码器网络，将每个输入图像映射到一个新的图像空间，在这个空间中，学习到的特定于领域的特征被删除。利用编解码器网络输出的图像，设计另一个分类器学习域不变特征进行图像分类。大量的实验表明，我们的框架实现了优越的性能相比，国家的最先进的方法。
2022-12-14 cs.CV cs.LG
Zero Shot Domain Generalization
Indian Institute of Technology（印度理工学院）；Microsoft（微软公司）
标准监督学习设置假设训练数据和测试数据来自相同的分布（域）。领域泛化（DG）方法试图学习一个模型，当对来自多个领域的数据进行训练时，该模型将泛化到一个新的未知领域。我们将DG扩展到一个更具挑战性的设置，其中看不见的域的标签空间也可能发生变化。我们将这个问题称为Zero-Shot领域泛化（据我们所知，这是第一次这样做），其中模型在新领域以及这些领域中的新类中进行泛化。我们提出了一个简单的策略，有效地利用类的语义信息，以适应现有的DG方法，以满足Zero-Shot领域泛化的要求。我们在CIFAR-10、CIFAR-100、F-MNIST和PACS数据集上评估了所提出的方法，建立了一个强有力的基线，以培养人们对这一新研究方向的兴趣。
2020-08-17 cs.CV cs.LG
Domain Generalization for Object Recognition with Multi-task Autoencoders
Victoria University of Wellington（惠灵顿维多利亚大学）
领域泛化的问题是从训练数据可用的多个相关领域获取知识，然后将其成功地应用于以前未见过的领域。我们提出了一种新的特征学习算法，多任务自动编码器（MTAE），提供了良好的泛化性能的跨域对象识别。我们的算法扩展了标准的去噪自动编码器框架，用对象外观中自然发生的域间变化代替人工引起的腐败。MTAE不是从嘈杂的版本中重建图像，而是学习将原始图像转换为多个相关领域的类似物。因此，它学习对跨域变化具有鲁棒性的特征。然后将学习的特征用作分类器的输入。我们在基准图像识别数据集上评估了该算法的性能，其中的任务是从多个数据集学习特征，然后从看不见的数据集中预测图像标签。我们发现，（去噪）MTAE优于替代的基于自动编码器的模型以及当前最先进的领域泛化算法。
2015-08-31 cs.AI cs.CV cs.LG
Discovering Hierarchy-Grounded Domains with Adaptive Granularity for Clinical Domain Generalization
Department of Computer Science, Stevens Institute of Technology（斯蒂文斯理工学院计算机科学系）；Weill Cornell Medicine Graduate School of Medical Sciences, Cornell University（韦尔医学院医学研究生院，康奈尔大学）
UdonCare通过利用医学本体发现基于层次结构的动态患者领域，提升临床领域泛化性能。
2026-09-15 cs.AI cs.LG
MetaDefa: Meta-learning based on Domain Enhancement and Feature Alignment for Single Domain Generalization
Central South University（中南大学）
针对单领域泛化中数据分布不匹配和特征分离困难的问题，提出基于领域增强和特征对齐的元学习方法MetaDefa，通过背景替换生成增强领域并利用多通道特征对齐模块提取领域不变特征，显著提升了模型在未知目标领域的泛化性能。
2023-11-27 cs.CV cs.LG
Augmentation-based Domain Generalization for Semantic Segmentation
CARIAD SE；University of Wuppertal（伍珀塔尔大学）
本文系统评估简单规则图像增强及其组合在语义分割域泛化中的作用，证明其无需训练开销即可接近并借助DAFormer超越现有基准。
2023-04-24 cs.AI cs.CV cs.LG
Open Domain Generalization with Domain-Augmented Meta-Learning
Tsinghua University（清华大学）
利用可用的数据集来学习对未知领域具有高泛化能力的模型对于计算机视觉非常重要，特别是当未知领域的注释数据不可用时。我们研究了一个新的和实际的问题开放领域泛化（OpenDG），从不同的源域学习，以实现高性能的一个未知的目标域，其中每个单独的源域和目标域的分布和标签集可以是不同的。该问题可以普遍应用于不同的源域，并广泛适用于现实世界的应用。我们提出了一个域增强元学习框架来学习开放域的可泛化表示。我们通过新的Dirichlet混合在特征级别上扩展域，并通过蒸馏软标签在标签级别上扩展域，从而用缺失的类和其他领域知识补充每个域。我们通过设计新的元学习任务和损失来进行跨域元学习，以同时保留域唯一知识和跨域概括知识。在多个领域数据集上的实验结果表明，所提出的领域增强元学习（DAML）方法在未知领域识别方面优于现有方法。
2021-04-08 cs.CV cs.LG
Single Domain Generalization with Adversarial Memory
School of Computer Science, Carleton University（卡尔顿大学计算机科学学院）
本文提出一种基于对抗记忆库的单域泛化方法，通过将训练和测试特征映射到由多样化记忆特征张成的不变子空间来隐式对齐域分布，并利用对抗特征生成扩展训练域分布，在标准基准上取得了最先进性能。
2025-03-08 cs.AI cs.LG
Finding Diverse and Predictable Subgraphs for Graph Domain Generalization
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Center for Excellence in Brain Science and Intelligence Technology, CAS（中国科学院脑科学与智能技术卓越创新中心）
本文重点研究了图的分布外泛化问题，在这种情况下，由于不可见的分布偏移，性能会下降。以往的图的领域泛化工作通常是在不同的源域之间学习一个不变的预测器。然而，他们假设在训练期间有足够的源域可用，这对现实应用程序构成了巨大的挑战。相比之下，我们提出了一个新的图领域泛化框架，称为DPS，通过构建多个人口从源域。具体地说，DPS的目标是发现多个\textbf{D}逆和\textbf{P}可重定向的\textbf{S}子图与一组生成元，即，子图是彼此不同的，但它们都与输入图共享相同的语义。利用这些生成的源域来学习跨域的\textit{equi-predictive}图神经网络（GNN），期望其很好地推广到看不见的目标域。一般来说，DPS是模型不可知的，可以与各种GNN主干合并。在节点级和图级基准测试上的大量实验表明，所提出的DPS在各种图领域泛化任务上都取得了令人印象深刻的性能。
2022-06-19 cs.AI cs.LG
Context-Aware Self-Adaptation for Domain Generalization
Carleton University（卡尔顿大学）；Amii（Amii研究院）
提出用于领域泛化的两阶段方法CASA，利用小批量特征均值等上下文信息自适应调整预训练模型，并通过多模型集成在标准基准上实现最先进性能。
2025-04-03 cs.AI cs.LG
Batch Normalization Embeddings for Deep Domain Generalization
Google（谷歌（Google）公司）
领域泛化旨在训练机器学习模型在不同和不可见的领域中稳健地执行。最近的几种方法使用多个数据集来训练模型以提取域不变特征，希望推广到看不见的领域。相反，首先我们显式地训练域相关的表示，通过使用ad-hoc批量归一化层来收集独立域的统计数据。然后，我们建议使用这些统计数据映射域在一个共享的潜在空间，其中成员资格的域可以通过一个距离函数来衡量。在测试时，我们将未知域中的样本投影到同一空间中，并将其域的属性推断为已知域的线性组合。我们在训练和测试时应用相同的映射策略，学习潜在表示和强大但轻量级的集成模型。我们展示了在流行的领域泛化基准：PACS，Office-31和ESTA-加州理工学院的分类准确性显着增加，目前国家的最先进的技术。
2021-05-18 cs.CV cs.LG
Noise-Aware Generalization: Robustness to In-Domain Noise and Out-of-Domain Generalization
Department of Computer Science（计算机科学系）
本文提出DL4ND方法，通过领域标签检测噪声，提升对领域内噪声鲁棒性和领域外泛化能力，实验显示在多个数据集上性能提升显著。
2026-02-22 cs.CV cs.LG
Rethinking Domain Generalization Baselines
Politecnico di Torino（都灵理工大学）；University of Rome Sapienza（罗马第一大学）；Italian Institute of Technology（意大利技术研究院）
尽管深度学习模型在标准学习环境中非常强大，但当部署在与训练它们的场景不同的场景中时，它可能非常脆弱。领域泛化方法研究了这个问题，数据增强策略已被证明是增加数据可变性的有用工具，支持跨领域的模型鲁棒性。在我们的工作中，我们专注于风格转移数据增强，我们提出了如何可以实现一个简单而廉价的战略，以提高泛化。此外，我们分析了当前最先进的领域泛化方法与此增强解决方案相结合时的行为：我们彻底的实验评估表明，它们的原始效果几乎总是消失相对于增强基线。这个问题打开了新的场景领域泛化研究，突出了新的方法，能够适当地利用引入的数据变化的需要。
2021-01-27 cs.CV cs.LG
What's in a Latent? Leveraging Diffusion Latent Space for Domain Generalization
Boston University（波士顿大学）；Runway
研究模型架构与预训练目标对特征丰富度的影响，提出利用扩散模型特征空间无监督发现伪域结构并增强分类器，在5个数据集上最高提升未见域测试准确率超4%，优于多数使用域标签的算法。
2025-04-28 cs.CV cs.LG
Discrepancy Minimization in Domain Generalization with Generative Nearest Neighbors
IIT Delhi（印度理工学院德里分校）
领域泛化（DG）处理在多个源域上训练的机器学习模型在具有不同统计数据的目标域上不能很好地泛化的域移位问题。已经提出了多种方法来解决领域泛化的问题，通过学习跨源域的域不变表示，其不能保证在移位的目标域上的泛化。我们提出了一种基于生成最近邻的离散最小化（GNNDM）方法，它提供了一个理论上的保证，在标记过程中的目标的误差上界。我们采用了一个域离散最小化网络（DDMN），学习域不可知的功能，以产生一个单一的源域，同时保留数据点的类标签。使用生成模型学习从该源域提取的特征，该生成模型的潜在空间用作采样器以检索目标数据点的最近邻居。与现有方法相比，所提出的方法不需要访问域标签（更现实的场景）。经验上，我们证明了我们的方法在两个数据集上的有效性：PACS和VLCS。通过大量的实验，我们证明了所提出的方法，优于几个国家的最先进的DG方法的有效性。
2020-07-28 cs.CV cs.LG
Adaptive Methods for Aggregated Domain Generalization
Manipal Institute of Technology（马尼帕尔理工学院）；Facebook AI Research, Meta（Meta 旗下 Facebook 人工智能研究院）；MIT（麻省理工学院）
领域泛化涉及从异类训练源集合中学习分类器，以便将其泛化到从类似的未知目标领域提取的数据，并应用于大规模学习和个性化推理。在许多设置中，隐私问题禁止获得训练数据样本的域标签，而是仅具有训练点的聚合集合。利用域标签来创建域不变特征表示的现有方法在这种情况下是不适用的，需要替代方法来学习可推广的分类器。在本文中，我们提出了一个域自适应的方法来解决这个问题，它分为两个步骤：（a）我们集群训练数据在一个精心选择的特征空间，以创建伪域，和（b）使用这些伪域，我们学习域自适应分类器，使预测使用有关的输入和伪域的信息，它属于。我们的方法在各种领域泛化基准测试中实现了最先进的性能，而无需使用任何领域标签。此外，我们提供了新的理论保证领域泛化使用聚类信息。我们的方法适用于基于集成的方法，即使在大规模的基准数据集上也能获得可观的收益。代码可以在以下网址找到：https://github.com/xavierohan/AdaClust_DomainBed
2021-12-23 cs.CV cs.LG
Federated Domain Generalization: A Survey
College of Computer Science and Engineering, Northeastern University（计算机科学与工程学院，东北大学）；Distributed Systems Group, TU Wien（分布式系统组，TU Wien）；College of Software, Northeastern University（软件学院，东北大学）；College of Information Science and Engineering, Northeastern University（信息科学与工程学院，东北大学）
本文首次系统综述联邦域泛化（FDG），梳理其从传统机器学习到域适应与域泛化的发展脉络，将现有方法分为联邦域对齐、数据操作、学习策略和聚合优化四类，并总结常用数据集、评估基准及未来研究方向。
2024-03-01 cs.AI cs.LG
Towards Data-Free Domain Generalization
Siemens Technology（西门子技术）；University of Munich（慕尼黑大学）；Technical University of Munich（慕尼黑工业大学）
在这项工作中，我们研究了领域泛化（DG）和无数据学习的未探索的交叉点。特别是，我们解决的问题：如何将包含在不同的源域上训练的模型中的知识合并到一个单一的模型中，在没有源和目标域数据的情况下，该模型可以很好地推广到看不见的目标域？能够应对域转移的机器学习模型对于数据分布经常变化的真实场景至关重要。以前的DG方法通常依赖于使用源域数据，这使得它们不适合私有分散数据。我们定义了无数据领域泛化（DFDG）的新问题，这是一种实际的设置，在这种情况下，在源域上分别训练的模型可以代替原始数据集，并研究如何有效地解决这种情况下的领域泛化问题。我们提出DEKAN，一种方法，提取和融合特定领域的知识，从现有的教师模型到学生模型鲁棒域转移。我们的实证评估表明，我们的方法，实现了第一个国家的最先进的DFDG的结果显着优于无数据的知识蒸馏和合奏基线的有效性。
2022-11-14 cs.CV cs.LG
Reappraising Domain Generalization in Neural Networks
TCS Research（塔塔咨询服务公司研究部）
考虑到神经网络在IID设置中的泛化能力不合理（具有良性的过拟合和更多参数的性能改善），OOD提出了一个一致的失败案例，以更好地理解它们是如何学习的。领域泛化是面向对象设计泛化的前沿。我们发现，多个领域的存在激励领域不可知学习，是在传统DG泛化的主要原因。我们表明，国家的最先进的结果可以通过借用IID推广的想法和DG定制的方法无法添加任何性能增益。此外，我们进行了传统DG（TDG）配方以外的探索，并提出了一种新的ClassWise DG（CWDG）基准，对于每个类，我们随机选择一个域，并将其放在一边进行测试。尽管在培训期间接触到所有领域，CWDG比TDG评估更具挑战性。我们提出了一种新的迭代域特征掩蔽方法，在CWDG基准测试中取得了最先进的结果。总的来说，在解释这些观察结果的同时，我们的工作进一步深入了解了神经网络的学习机制。
2022-04-28 cs.AI cs.LG
Bayesian Domain Invariant Learning via Posterior Generalization of Parameter Distributions
Nankai University（南开大学）；ByteDance（字节跳动）；Beihang University（北京航空航天大学）
本文提出PTG方法，通过聚合不同训练域后验隐式推断网络参数的域不变后验分布，利用变分推断近似参数分布，在DomainBed基准上表现优异且可与现有方法结合提升性能。
2023-10-25 cs.AI cs.LG
Model-Based Domain Generalization
University of Pennsylvania（宾夕法尼亚大学）
尽管在各种应用中取得了显着的成功，但众所周知，当呈现出分布外的数据时，深度学习可能会灾难性地失败。为了解决这一挑战，我们考虑域泛化问题，其中预测器使用从一系列相关训练域中提取的数据进行训练，然后在一个不同的和看不见的测试域上进行评估。我们表明，在自然的数据生成模型和随之而来的不变性条件下，域泛化问题相当于一个无限维的约束统计学习问题，这个问题形成了我们的方法，我们称之为基于模型的域泛化的基础。由于在深度学习中解决约束优化问题的固有挑战，我们利用非凸对偶理论来开发这个统计问题的无约束松弛，并在对偶间隙上有严格的界限。基于这一理论动机，我们提出了一种新的域泛化算法的收敛保证。在我们的实验中，我们报告了在包括ColoredMNIST、Camelyon 17-WILDS、FMoW-WILDS和PACS在内的几个基准测试上，最先进的领域泛化基线提高了30个百分点。
2021-11-15 cs.AI cs.LG stat.ML
Hierarchical Variational Auto-Encoding for Unsupervised Domain Generalization
LMU Munich（慕尼黑大学）；Siemens AG（西门子股份公司）
我们解决领域泛化的任务，目标是训练预测模型，使其能够泛化到一个新的，以前看不见的领域。我们选择了一个分层生成的方法的框架内的变分自编码器，并提出了一个域无监督算法，能够推广到新的领域没有域监督。我们表明，我们的方法能够学习表示，即使在复杂的设置中，在训练过程中没有观察到域结构，也能从类标签特定的信息中分离出特定于域的信息。我们的可解释的方法优于先前提出的生成算法的领域泛化，以及其他非生成国家的最先进的方法，在几个层次域设置，包括连续重叠近连续域移位。与依赖于在训练期间观察特定于域的信息的最先进的方法以及另一种域无监督方法相比，它还在标准领域泛化基准数据集PACS上实现了具有竞争力的性能。此外，我们提出了纯粹基于证据下限（ELBO）的模型选择，还提出了弱域监督，其中隐式域信息可以添加到算法中。
2021-05-14 cs.CV cs.LG stat.ML
MIMII DG: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection for Domain Generalization Task
Hitachi, Ltd.（日立制作所）
我们提出了一个机器声音数据集的基准领域泛化技术异常声音检测（ASD）。域偏移是数据分布的差异，会降低检测性能，处理它们是ASD系统应用的主要问题。虽然目前可用的ASD任务数据集假设域偏移的发生是已知的，但在实践中，它们可能难以检测。为了处理这样的域转移，应该研究无论域如何都表现良好的领域泛化技术。在本文中，我们提出了第一个ASD数据集的领域泛化技术，称为MIMII DG。该数据集由五种机器类型和每种机器类型的三种域转移场景组成。该数据集专用于领域泛化任务，其特征包括导致领域偏移的参数的多个不同值以及可能难以检测的领域偏移的引入，例如背景噪声中的偏移。使用两个基线系统的实验结果表明，数据集再现域转移的情况下，是有用的基准领域泛化技术。
2022-11-22 cs.AI cs.LG cs.SD
A Strong Baseline for Domain Adaptation and Generalization in Medical Imaging
Enlitic（Enlitic公司）
该方法为医学成像中的多源多靶领域自适应和泛化问题提供了有力的基础。使用十个胸部X射线数据集的不同集合，我们以经验证明了在不同患者人群上训练医学成像深度学习模型以推广到样本外域的好处。
2019-04-02 cs.AI cs.CV eess.IV
Domain Generalization via Gradient Surgery
CONICET（国家科学技术研究委员会）；UNL（国立滨海大学）
在实际应用中，机器学习模型经常面临训练域和测试域之间的数据分布发生变化的场景。当目标是对不同于训练时看到的分布进行预测时，我们会遇到领域泛化问题。解决此问题的方法使用来自多个源域的数据学习模型，然后将此模型应用于看不见的目标域。我们的假设是，当使用多个域进行训练时，每个小批中的冲突梯度包含特定于各个域的信息，这些信息与其他域（包括测试域）无关。如果保持不变，这种分歧可能会降低泛化性能。在这项工作中，我们的特点是出现在域转移的情况下，并设计新的梯度协议的基础上梯度手术，以减轻其影响的战略冲突的梯度。我们在三个多域数据集的图像分类任务中验证了我们的方法，显示了所提出的一致性策略在增强域转移场景中深度学习模型的泛化能力方面的价值。
2021-11-03 cs.CV cs.LG eess.IV
Importance Weight Estimation and Generalization in Domain Adaptation under Label Shift
Purdue University（普渡大学）
本文研究范畴和一般赋范标号空间在标号移位下的推广。我们提出了一系列的方法来估计从标记源到未标记目标域的重要性权重，并提供这些估计的置信界。我们部署这些估计器，并提供在未标记的目标域的泛化范围。
2021-06-05 cs.LG
A Survey of Domain Adaptation for Neural Machine Translation
Institute for Datability Science（数据智能科学研究所）；Osaka University（大阪大学）
神经机器翻译（NMT）是一种基于深度学习的机器翻译方法，在大规模并行语料库可用的情况下，其产生最先进的翻译性能。虽然高质量和特定领域的翻译在现实世界中是至关重要的，特定领域的语料库通常是稀缺的或根本不存在，因此香草NMT在这种情况下表现不佳。领域自适应是一种利用领域外平行语料库和单语语料库进行领域内翻译的方法，对于特定领域的翻译非常重要。在本文中，我们给出了一个全面的调查，最先进的领域自适应技术的NMT。
2018-06-01 cs.AI cs.CL cs.LG
In Search of Lost Domain Generalization
Facebook AI Research（Facebook人工智能研究院）
领域泛化算法的目标是很好地预测与训练过程中看到的分布不同的分布。虽然存在无数的领域泛化算法，但实验条件-数据集，架构和模型选择标准-的不一致性使得公平和现实的比较变得困难。在本文中，我们有兴趣了解如何有用的领域泛化算法在现实的设置。作为第一步，我们认识到，模型选择是不平凡的领域泛化任务。与以前的工作相反，我们认为，没有模型选择策略的领域泛化算法应被视为不完整的。接下来，我们实现了DomainBed，这是一个用于领域泛化的测试平台，包括七个多领域数据集，九个基线算法和三个模型选择标准。我们使用DomainBed进行了大量的实验，发现当仔细实施时，经验风险最小化在所有数据集上都显示出最先进的性能。展望未来，我们希望DomainBed的发布，以及其他研究人员的贡献，将简化领域泛化中可重复和严格的研究。
2020-07-02 cs.LG stat.ML
Towards Unsupervised Domain Generalization
Tsinghua University（清华大学）
领域泛化（DG）旨在帮助在一组源域上训练的模型更好地泛化看不见的目标域。目前的DG方法的性能在很大程度上依赖于足够的标记数据，这通常是昂贵的或不可用的，但是。由于未标记的数据更容易访问，我们试图探索无监督学习如何帮助深度模型跨领域推广。具体来说，我们研究了一种新的泛化问题，称为无监督领域泛化（UDG），其目的是学习可推广的模型与未标记的数据和分析预训练对DG的影响。在UDG中，模型在使用标记的源数据进行训练之前，使用来自各个源域的未标记数据进行预训练，并最终在看不见的目标域上进行测试。然后，我们提出了一种名为领域感知表示学习（DARLING）的方法，以应对未标记的预训练数据中的显着和误导性的异质性和严重的分布偏移之间的源和目标数据。令人惊讶的是，我们观察到DARLING不仅可以抵消标记数据的稀缺性，而且还可以在标记数据不足时进一步增强模型的泛化能力。作为一种预训练方法，DARLING与ImageNet预训练协议相比表现出更好或相当的性能，即使可用数据是未标记的，并且与ImageNet相比数量要少得多，这可能有助于提高大规模未标记数据的泛化能力。
2022-04-12 cs.CV cs.LG cs.MM
Domain Adaptation for Medical Image Analysis: A Survey
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
用于计算机辅助医学图像分析的机器学习技术通常遭受由源/参考数据和目标数据之间的不同分布引起的域移位问题。领域自适应作为一种很有前途的解决方案，近年来受到了广泛的关注。综述了医学图像分析中领域自适应方法的研究进展。我们首先介绍了引入领域自适应技术来解决医学图像分析领域异质性问题的动机。然后，我们提供了一个审查最近的领域自适应模型在各种医学图像分析任务。我们将现有的方法分为浅层模型和深层模型，每种模型又分为监督、半监督和无监督方法。我们还提供了一个简短的总结的基准医学图像数据集，支持当前的领域自适应研究。本次调查将使研究人员更好地了解当前的现状，挑战。
2021-02-18 cs.CV cs.LG eess.IV
Domain generalization in deep learning-based mass detection in mammography: A large-scale multi-center study
University of Barcelona（巴塞罗那大学）
基于深度学习的计算机辅助检测系统在乳腺癌检测中显示出巨大的潜力。然而，人工神经网络缺乏领域泛化能力是其在不断变化的临床环境中部署的一个重要障碍。在这项工作中，我们探索了深度学习方法在数字乳腺X射线摄影中用于肿块检测的领域泛化，并深入分析了大规模多中心设置中的域偏移来源。为此，我们比较了八种最先进的检测方法的性能，包括基于transformer的模型，在单个域中训练并在五个未知域中测试。此外，设计了一个单源质量检测训练管道，以提高域泛化能力，而不需要来自新域的图像。结果表明，我们的工作流程在五个领域中的四个领域中比最先进的基于迁移学习的方法更好地推广，同时减少了由不同采集协议和扫描仪制造商引起的领域转移。随后，进行了广泛的分析，以确定对检测性能具有较大影响的协变量变化，例如由于患者年龄、乳腺密度、肿块大小和肿块恶性程度的差异。最终，这项全面的研究为基于深度学习的乳腺癌检测领域泛化的未来研究提供了关键见解和最佳实践。
2023-01-24 cs.CV cs.LG eess.IV
Exploiting Domain-Specific Features to Enhance Domain Generalization
VinAI Research（VinAI研究院）；Monash University（莫纳什大学）
领域泛化（DG）的目的是从多个观察到的源域训练模型，以便在看不见的目标域上表现良好。为了获得推广能力，以前的DG方法集中在提取跨源的域不变信息来推广目标域，而有用的特定于域的信息，这些信息与各个域中的标签和目标域的推广密切相关，通常被忽略。在本文中，我们提出了元域特定域不变（mDSDI）-一种新的理论上健全的框架，扩展超出了不变性的观点，以进一步捕捉域特定信息的有用性。我们的关键见解是在潜在空间中解开特征，同时在统一的框架中联合学习域不变和域特定的特征。特定于域的表示通过元学习框架进行优化，以适应源域，目标是在看不见的域上进行鲁棒的概括。我们的经验表明，mDSDI提供了竞争力的结果与国家的最先进的技术在DG。使用我们生成的数据集Background-Colored-MNIST进行的进一步消融研究证实了域特异性是必不可少的这一假设，与仅使用域不变相比，可以获得更好的结果。
2021-10-18 cs.LG
Discriminative Adversarial Domain Generalization with Meta-learning based Cross-domain Validation
University of South Florida（南佛罗里达大学）
机器学习模型的泛化能力是指通过从一个或多个可见领域学习来泛化“不可见”领域的知识，对于在现实世界条件下开发和部署机器学习应用非常重要。领域泛化（DG）技术旨在提高机器学习模型的泛化能力，其中学习的特征表示和分类器是提高泛化能力和做出决策的两个关键因素。在本文中，我们提出了判别式对抗领域泛化（DADG）与基于元学习的跨域验证。我们提出的框架包含两个主要组件，它们协同工作以构建域广义DNN模型：（i）判别式对抗学习，它主动学习多个“可见”域上的广义特征表示，以及（ii）基于元学习的跨域验证，它通过在训练过程中应用元学习技术来模拟训练/测试域转移。在实验评估中，我们提出的方法和其他现有的方法在三个基准数据集上进行了全面的比较。结果表明，DADG始终优于强大的基线DeepAll，并且在大多数评估案例中优于其他现有的DG算法。
2022-02-16 cs.LG
Domain Generalizer: A Few-shot Meta Learning Framework for Domain Generalization in Medical Imaging
University of Pennsylvania（宾夕法尼亚大学）
深度学习模型在目标（测试）数据域上测试时表现最佳，其分布与源（训练）域的集合相似。然而，当目标域和源域之间的基础统计数据存在显著差异时，模型泛化可能会受到阻碍。在这项工作中，我们适应一个领域泛化方法的基础上，模型不可知的元学习框架，生物医学成像。该方法学习一个领域不可知的特征表示，以提高模型的泛化到看不见的测试分布。该方法可用于任何成像任务，因为它不依赖于底层模型架构。我们通过三个数据集上的健康和病理病例的计算机断层扫描（CT）椎骨分割任务来验证该方法。接下来，我们采用少样本学习，即使用来自未知领域的非常少的示例来训练广义模型，以快速使模型适应新的未知数据分布。我们的研究结果表明，该方法可以帮助在不同的医疗中心，图像采集协议，解剖结构，给定扫描中的不同区域，不同成像模式的健康和患病人群中推广模型。
2020-08-18 cs.CV cs.LG eess.IV
Not to Overfit or Underfit the Source Domains? An Empirical Study of Domain Generalization in Question Answering
IBM Research AI（IBM研究院人工智能部门）
机器学习模型容易过拟合其训练（源）域，这通常被认为是它们在新目标域中不稳定的原因。在这里，我们研究的对比视图，多源领域泛化（DG）首先是一个问题，减轻源域欠拟合：模型没有充分学习的信号已经存在于他们的多域训练数据。在阅读理解DG基准上的实验表明，随着模型更好地学习其源域-使用熟悉的方法，如从更大的模型中知识蒸馏（KD）-其zero-shot域外效用以更快的速度提高。改进的源域学习还展示了优于三种流行的现有DG方法的领域泛化，旨在限制过拟合。我们基于KD的领域泛化的实现可以通过PrimeQA获得，网址是：https://ibm.biz/domain-generalization-with-kd。
2022-10-25 cs.CL cs.LG
Class-conditioned Domain Generalization via Wasserstein Distributional Robust Optimization
Tsinghua-Berkeley Shenzhen Institute, Tsinghua University（清华大学深圳国际研究生院（清华-伯克利深圳学院））；School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程系）
给定多个源域，领域泛化旨在学习一个通用模型，该模型在任何看不见但相关的目标域上都表现良好。在这项工作中，我们专注于领域泛化的情况下，发生在不同领域的类条件分布之间的域转移。当给定同一类的条件分布的变化很大时，现有的方法不够鲁棒。在这项工作中，我们扩展了分布式鲁棒优化的概念来解决类条件领域泛化问题。我们的方法优化了最坏情况下的分类器在类条件分布内的Wasserstein球围绕源条件分布的重心为中心的性能。我们还提出了一个迭代算法自动学习的最佳半径的Wasserstein球。实验结果表明，该框架在未知目标域上具有更好的性能，优于没有领域泛化的方法。
2021-09-08 cs.LG
Failure Modes of Domain Generalization Algorithms
Russian-Armenian University（俄罗斯-亚美尼亚大学）；YerevaNN；USC Information Sciences Institute（南加州大学信息科学研究所）；Yerevan State University（埃里温国立大学）
领域泛化算法使用来自多个领域的训练数据来学习能够很好地泛化到未见过的领域的模型。虽然最近提出的基准测试表明，大多数现有的算法不优于简单的基线，建立的评估方法未能暴露的各种因素的影响，导致性能不佳。在本文中，我们提出了一个评估框架领域泛化算法，允许分解成组件捕捉不同方面的泛化错误。受基于域不变表示学习思想的算法流行的启发，我们扩展了评估框架，以捕获实现不变性的各种类型的失败。我们发现，泛化误差的最大贡献者在方法、数据集、正则化强度甚至训练长度上各不相同。我们观察到与学习域不变表示的策略相关的两个问题。在有色MNIST上，大多数领域泛化算法都失败了，因为它们只在训练域上达到了领域不变性。在Camelyon-17上，域不变性降低了不可见域上表示的质量。我们假设，专注于在丰富的表示之上调整分类器可能是一个有前途的方向。
2021-11-26 cs.LG
