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
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
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
Scaling Up Temporal Domain Generalization via Temporal Experts Averaging
Boston University（波士顿大学）；University of Central Florida（中央佛罗里达大学）
针对现有时序域泛化方法仅更新分类器层泛化受限、全模型更新成本过高的问题，提出可扩展框架TEA，通过约束微调生成专家模型并自适应权重平均，在多基准上实现性能最高提升69%、效率最高提升60倍。
2025-09-30 cs.CL cs.CV cs.LG
Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for Sleep Stage Classification
Beijing Jiaotong University（北京交通大学）；Massachusetts Institute of Technology（麻省理工学院）
睡眠阶段分类对于睡眠评估和疾病诊断至关重要。尽管先前对睡眠阶段进行分类的尝试已经实现了高分类性能，但仍存在若干挑战：1）如何有效地利用来自多通道脑信号的时变空间和时间特征仍然具有挑战性。以往的工作还没有能够充分利用大脑区域之间的空间拓扑信息。2)由于个体生物信号中存在许多差异，如何克服受试者的差异并提高深度神经网络的泛化能力非常重要。3)大多数深度学习方法忽略了模型对大脑的可解释性。为了解决上述挑战，我们提出了一个多视图时空图卷积网络（MSTGCN）与域泛化的睡眠阶段分类。具体来说，我们构建了两个大脑视图图MSTGCN的基础上的功能连接和物理距离接近的大脑区域。MSTGCN由用于提取空间特征的图卷积和用于捕获睡眠阶段之间的过渡规则的时间卷积组成。此外，注意机制被用于捕获最相关的时空信息用于睡眠阶段分类。最后，域泛化和MSTGCN集成到一个统一的框架，以提取主题不变的睡眠特征。在两个公共数据集上的实验表明，该模型优于最先进的基线。
2021-09-04 cs.AI cs.CV cs.LG
Discriminative Domain-Invariant Adversarial Network for Deep Domain Generalization
Queensland University of Technology（昆士兰科技大学）
领域泛化方法旨在从具有不同分布的多个训练源域中学习未知目标域的领域不变预测模型。广泛的领域泛化是机器学习和计算机视觉领域的一个具有挑战性的热点问题，近年来已经做出了大量努力。大多数以前的领域泛化方法假设跨域的条件分布在源域上保持相同，并通过最小化边缘分布来学习域不变模型。然而，训练源域的稳定条件分布的假设在实践中并不真正成立。从源域学习的超平面很容易对分散在聚类边界或远离其相应类中心的样本进行错误分类。为了解决上述两个缺点，我们提出了一个判别域不变对抗网络（DDIAN）的领域泛化。通过区分性特征模块保证特征的区分性，通过全局域和局部子域对齐模块保证域不变特征。在几个基准测试上的大量实验表明，与最先进的领域泛化方法相比，DDIAN在训练过程中对看不见的目标数据实现了更好的预测。
2021-08-20 cs.AI cs.CV cs.LG
CODA: Temporal Domain Generalization via Concept Drift Simulator
Texas A&M University（德州农工大学）；Rice University（莱斯大学）
针对机器学习模型因概念漂移易过时且现有方法多依赖特定模型的问题，提出模型无关的CODA框架，通过预测特征相关矩阵模拟未来数据训练模型，有效实现跨架构时域泛化。
2023-10-02 cs.LG stat.ML
Cross-Domain Ensemble Distillation for Domain Generalization
POSTECH（浦项科技大学）；NALBI Inc.（NALBI公司）
领域泛化是学习模型的任务，这些模型泛化到看不见的目标领域。我们提出了一个简单而有效的方法领域泛化，命名为跨域集成蒸馏（XDED），学习域不变的功能，同时鼓励模型收敛到平坦的最小值，这最近被证明是一个充分条件领域泛化。为此，我们的方法从具有相同标签但来自不同域的训练数据生成输出logits的集合，然后惩罚每个输出与集合的不匹配。此外，我们提出了一种去风格化技术，该技术对特征进行去风格化，以鼓励模型即使在任意目标域中也能产生风格一致的预测。我们的方法大大提高了跨域图像分类、跨数据集人员重新ID和跨数据集语义分割的公共基准测试中的泛化能力。此外，我们表明，通过我们的方法学习的模型对对抗攻击和图像损坏具有鲁棒性。
2022-11-25 cs.AI cs.CV cs.LG
Rethinking the Evaluation Protocol of Domain Generalization
Tsinghua University（清华大学）
本文指出现有领域泛化评估协议存在测试数据泄露风险，建议改用自监督预训练或从头训练并使用多个测试领域，从而更精确地评估OOD泛化能力。
2024-03-23 cs.AI cs.CV 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
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
Generalizing to Unseen Domains: A Survey on Domain Generalization
Microsoft Research Asia（微软亚洲研究院）；School of Data Science, Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Institute for Data Science, Tsinghua University（清华大学数据科学研究院）
机器学习系统通常假设训练和测试分布是相同的。为此，一个关键的要求是开发可以推广到看不见的分布的模型。领域泛化（DG），即，分布外泛化近年来引起了越来越多的关注。领域泛化处理一个具有挑战性的设置，其中给定一个或多个不同但相关的域，目标是学习一个模型，该模型可以泛化到一个看不见的测试域。近年来，领域泛化研究取得了很大的进展。本文首次回顾了这一领域的最新进展。首先，我们给出了领域泛化的形式化定义，并讨论了几个相关的领域。然后，我们全面回顾了与领域泛化相关的理论，并仔细分析了泛化背后的理论。我们将最近的算法分为三类：数据操作，表示学习，和学习策略，并提出了几个流行的算法详细的每一类。第三，我们介绍了常用的数据集，应用程序和我们的开源代码库，以进行公平的评估。最后，我们总结了现有的文献，并提出了未来的一些潜在的研究课题。
2022-05-24 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
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
Improving Generalization of Transfer Learning Across Domains Using Spatio-Temporal Features in Autonomous Driving
University of Maryland at College Park（马里兰大学帕克分校）
实际的基于学习的自动驾驶模型必须能够将学习到的行为从模拟领域推广到真实领域，并从训练数据推广到具有不寻常图像属性的未知领域。在本文中，我们研究迁移学习方法，通过利用跨域的时空特征的不变性来实现对域移位的鲁棒性。在本文中，我们提出了一种迁移学习方法，通过时空特征的迁移和显着的数据增强来提高跨领域的泛化能力。我们的模型使用带有Inception模块的CNN-LSTM网络进行图像特征提取。我们的方法分两个阶段运行：第一阶段涉及对源域数据进行训练，而第二阶段对目标域数据进行训练，这些数据已经由使用第一阶段模型生成的特征图进行了补充。与跨多个数据集的其他SOTA方法相比，我们的模型在看不见的测试用例中显着提高了性能，无论是模拟到模拟的传输还是模拟到真实的传输，测试准确度高达+37.3\%，转向角预测高达+40.8\%。
2021-09-23 cs.CV cs.LG
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
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
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
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
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
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
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
Hierarchical Domain Generalization
Toyota Technological Institute at Chicago（芝加哥丰田技术学院）；University of Waterloo（滑铁卢大学）
研究分层域泛化问题，从有限观察区域外推到整个实例空间，以任意域层次结构取代独立同分布采样，揭示核心障碍在于训练/测试域划分，表明现代泛化理论应将域结构视为关键因素。
2026-07-21 cs.LG
Generalization Analysis and Method for Domain Generalization for a Family of Recurrent Neural Networks
Department of Electrical and Computer Engineering at the University of Manitoba（曼尼托巴大学电气与计算机工程系）；Department of Computer Science, Toronto Metropolitan University（多伦多 Metropolitan 大学计算机科学系）
本文提出了一种分析递归神经网络家族可解释性和领域泛化能力的方法，通过Koopman算子理论提升模型对分布偏移的鲁棒性。
2026-01-13 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
Localized Adversarial Domain Generalization
PAII Inc.（PAII公司）；University of Rochester（罗切斯特大学）；Alibaba DAMO Academy（阿里巴巴达摩院）；PingAn Insurance Group（平安保险集团）
深度学习方法可能难以处理训练数据中看不到的域转移，这可能导致它们无法很好地推广到看不见的域。这引起了对领域泛化的研究，它旨在提高模型的泛化能力。对抗性领域泛化是DG的一种流行方法，但传统方法（1）难以充分对齐特征，使得局部邻域在域间混合;以及（2）可能遭受特征空间过度崩溃，这可能威胁泛化性能。为了解决这些局限性，我们提出了局部对抗性领域泛化与空间紧凑性维护~（LADG），这构成了两个主要贡献。首先，我们提出了一个对抗性的本地化分类器作为域分类器，以及一个原则性的主要分支。这构造了一个最小-最大博弈，其中特征化器的目标是产生局部混合域。其次，我们建议使用编码率损失来减轻特征空间的过度崩溃。我们在Wilds DG基准上进行了全面的实验，以验证我们的方法，LADG在大多数数据集上的表现优于领先的竞争对手。
2022-05-09 cs.LG
Hypernetwork-Driven Model Fusion for Federated Domain Generalization
ETH（苏黎世联邦理工学院）；KAIST AI（韩国科学技术院人工智能部门）
针对联邦学习中的域偏移问题，提出基于超网络的hFedF框架，通过非线性聚合和梯度对齐实现域泛化，在多个数据集上取得最优性能。
2024-05-28 cs.LG
Learning to Generalize: Meta-Learning for Domain Generalization
Queen Mary University of London（伦敦玛丽女王大学）；University of Edinburgh（爱丁堡大学）
域偏移是指在一个源域中训练的模型在应用于具有不同统计数据的目标域时表现不佳的众所周知的问题。领域泛化（DG）技术试图通过产生模型来缓解这个问题，所述模型通过设计很好地泛化到新的测试领域。提出了一种新的领域泛化{元学习}方法。而不是设计一个特定的模型，是强大的域转移在大多数以前的DG工作，我们提出了一个模型不可知的训练过程DG。我们的算法模拟训练/测试域转移在训练过程中合成虚拟测试域内的每个小批量。元优化目标要求提高训练域性能的步骤也应该提高测试域性能。这个元学习过程训练具有良好泛化能力的模型到新的领域。我们评估了我们的方法，并在最近的跨域图像分类基准上取得了最先进的结果，同时在两个经典的强化学习任务上展示了其潜力。
2017-10-10 cs.LG
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
How Does Distribution Matching Help Domain Generalization: An Information-theoretic Analysis
College of Science, Huazhong Agriculture University（华中农业大学理学院）；China Telecom Corporation（中国电信集团有限公司）
本文从信息论和概率视角分析分布匹配对领域泛化的作用，揭示梯度匹配与表示匹配的互补关系，并提出IDM与PDM方法以同时对齐梯度和表示，从而提升泛化性能。
2024-06-14 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
Enhancing Evolving Domain Generalization through Dynamic Latent Representations
The Chinese University of Hong Kong（香港中文大学）；Hong Kong Baptist University（香港浸会大学）
本文提出MISTS框架，通过信息论约束解耦动态与不变特征，并结合域自适应分类器，解决非平稳环境中演化新域的泛化问题。
2024-01-16 cs.LG
A principled approach to model validation in domain generalization
Tufts University（塔夫茨大学）；Boston University（波士顿大学）
针对领域泛化中模型选择仅依赖分类风险的问题，本文理论证明了分类风险与领域差异间的权衡，提出一种兼顾两者的新颖模型选择方法，并在多个数据集上验证了其有效性。
2023-04-02 cs.LG
Learning to Learn Domain-invariant Parameters for Domain Generalization
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Southeast University（东南大学）；Lenovo Research（联想研究院）；Lenovo Ltd（联想有限公司）
在实际应用中，由于域转移的影响，深度神经网络（DNN）通常不能很好地泛化未知的测试数据。领域泛化（DG）的目的是克服这个问题，从源域捕获域不变的表示。基于DNN的部分参数被优化以提取域不变表示的见解，我们期望一个能够很好地感知和重点更新这些域不变参数的通用模型。在本文中，我们提出了两个模块的域解耦和组合（DDC）和域不变性引导反向传播（DIGB），这可以鼓励这样的一般模型专注于参数，有一个统一的优化方向对对比样本。我们在两个基准上的大量实验表明，我们提出的方法具有很强的泛化能力，达到了最先进的性能。
2022-11-04 cs.LG
Efficient Domain Generalization via Common-Specific Low-Rank Decomposition
MSR India（微软研究院印度）；IIT Bombay（印度理工学院孟买分校）
领域泛化是指训练模型的任务，该模型泛化到在训练期间未看到的新领域。我们提出了CSD（公共特定分解），对于这种设置，它联合学习一个公共组件（推广到新的领域）和一个特定于领域的组件（过度拟合训练域）。在训练之后丢弃域特定分量，并且仅保留公共分量。该算法是非常简单的，只涉及修改任何给定的神经网络架构的最终线性分类层。我们提出了一个原则性的分析，了解现有的方法，提供可识别的结果CSD，并研究低秩的领域泛化的影响。我们表明，CSD匹配或击败最先进的方法，领域泛化的基础上域擦除，域扰动数据增强，和元学习。进一步诊断旋转MNIST，域是可解释的，证实了这一假设，CSD成功地解开共同和域特定的组件，从而导致更好的领域泛化。
2020-04-07 cs.LG stat.ML
Domain Generalization via Selective Consistency Regularization for Time Series Classification
Institute for Infocomm Research, A*STAR（A*STAR资讯通信研究院）；Centre for Frontier AI Research, A*STAR（A*STAR前沿人工智能研究中心）
领域泛化方法的目标是利用来自有限数量的源域的数据并且在训练期间不访问目标域样本来学习对域移位鲁棒的模型。用于领域泛化的流行领域对齐方法寻求通过最小化跨所有领域的特征分布之间的差异来提取领域不变特征，而不考虑领域间的关系。在本文中，我们提出了一种新的表示学习方法，选择性地执行预测的一致性估计密切相关的源域之间。具体来说，我们假设域共享不同的类信息表示，所以不是对齐所有可能导致负迁移的域，我们只调整密切相关的域之间的差异。我们将我们的方法应用于时间序列分类任务，并在三个公开的真实世界数据集上进行了全面的实验。我们的方法显着提高了基线，并实现了更好的或有竞争力的性能相比，国家的最先进的方法在精度和模型校准。
2022-06-16 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
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
Domain2Vec: Deep Domain Generalization
University of Michigan（密歇根大学）
我们解决了领域泛化的问题，其中决策函数是从几个相关领域的数据中学习的，目标是将其成功地应用于一个看不见的领域。假设在源域（也称为训练域）中有大量可用的标记数据，但是没有标记数据可用于看不见的域（也称为目标域或测试域）。我们提出了一种新的神经网络架构Domain2Vec（D2V），它学习特定领域的嵌入，然后使用这种嵌入来推广相关领域的学习。提出的算法D2V将分布回归和核化领域泛化的思想扩展到神经网络环境。我们提出了一个神经网络架构来学习特定领域的嵌入，然后使用这个嵌入与数据点的特定功能来标记它。我们通过准确地估计域到域的相似性来展示架构的有效性。我们评估我们的算法对标准的领域泛化数据集的图像分类和优于其他国家的最先进的算法。
2018-07-09 cs.LG stat.ML
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
Learning to Optimize Domain Specific Normalization for Domain Generalization
Seoul National University（首尔大学）；NEC Laboratories America（NEC美国实验室）；LG Electronics（LG电子）
我们提出了一种简单但有效的多源领域泛化技术，该技术基于深度神经网络，通过结合特定于各个领域的优化归一化层。我们的方法采用多种归一化方法，同时学习每个域的独立仿射参数。对于每个域，通过多个归一化统计的加权平均来归一化激活。如果需要的话，将分别跟踪每种规格化类型的规格化统计信息。具体来说，我们在实现中使用批处理和实例规范化来确定每个域中这两种规范化方法的最佳组合。优化的归一化层有效地增强了学习模型的泛化能力。我们证明了我们的算法在标准的领域泛化基准测试中的最先进的准确性，以及在标签噪声存在下的多源领域自适应和领域泛化等进一步任务的可行性。
2020-07-21 cs.LG stat.ML
Robust Domain-Free Domain Generalization with Class-aware Alignment
Institute for Infocomm Research（信息通信研究院）；Nanyang Technological University（南洋理工大学）
虽然深度神经网络在各种学习任务上表现出最先进的性能，但它们的性能依赖于训练和测试分布相同的假设，这在现实世界的应用中可能不成立。领域泛化通过采用多个源域来构建鲁棒的模型来解决这个问题，该模型可以泛化到受数据分布变化影响的看不见的目标域。在本文中，我们提出了无域领域泛化（DFDG），模型无关的方法，以实现更好的泛化性能上看不见的测试域，而不需要源域标签。DFDG使用新的策略来学习域不变的类判别特征。它通过类条件软标签对齐样本的类关系，并使用传统上为图像分类网络的事后分析而开发的显着图，以从训练输入中去除表面观察。DFDG在时间序列传感器和图像分类公共数据集上都获得了有竞争力的性能。
2021-02-17 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
VideoDG: Generalizing Temporal Relations in Videos to Novel Domains
Tsinghua University（清华大学）；Shanghai Jiao Tong University（上海交通大学）
本文介绍了视频领域泛化，其中大多数视频分类网络由于缺乏对发散分布的目标域的暴露而退化。我们观察到，全球的时间特征是不太一般化，由于时间域的转变，视频从其他看不见的域可能有一个意想不到的缺席或错位的时间关系。这一发现促使我们解决视频领域泛化，有效地学习不同时间尺度的局部关系特征，更概括，并利用它们与全局关系特征，以保持区分。本文介绍了VideoDG框架与两个技术贡献。第一个是一个新的深度架构，称为对抗金字塔网络，它通过逐步捕获局部关系，全局关系和交叉关系特征来提高视频特征的泛化能力。在金字塔特征的基础上，第二个贡献是一种新的和鲁棒的对抗性数据增强方法，可以通过提高增强数据的多样性和质量来桥接不同的视频域。我们构建了三个视频领域泛化基准，其中领域根据不同的数据集，不同的行动后果，或不同的相机视图，分别划分。VideoDG在所有基准测试中始终优于先前视频分类模型和现有领域泛化方法的组合。
2021-09-17 cs.CV cs.LG
Domain Generalization via Invariant Feature Representation
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zurich（苏黎世联邦理工学院）
本文研究领域泛化：如何从任意数量的相关领域获得知识，并将其应用到以前看不见的领域？我们提出了域不变分量分析（DICA），一种基于内核的优化算法，通过最小化域之间的相异性来学习不变变换，同时保留输入和输出变量之间的函数关系。学习理论分析表明，减少相异度提高了分类器在新领域的预期泛化能力，激励所提出的算法。在合成数据集和真实数据集上的实验结果表明，DICA成功地学习了不变特征，提高了分类器的性能。
2013-01-10 cs.LG stat.ML
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
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
Temporal Attentive Alignment for Video Domain Adaptation
Georgia Institute of Technology（佐治亚理工学院）
虽然近年来已经提出了各种基于图像的领域自适应（DA）技术，但视频中的域偏移仍然没有得到很好的探索。大多数以前的作品只评估小规模数据集的饱和性能。因此，我们首先提出了一个具有更大域差异的更大规模数据集：UCF-HMDB_full。其次，我们研究了不同的DA集成方法的视频，并表明，同时对齐和学习时间动态实现有效的对齐，即使没有复杂的DA方法。最后，我们提出了时间注意对抗适应网络（TA 3 N），它明确地注意到使用域差异的时间动态，以实现更有效的域对齐，在三个视频DA数据集上实现了最先进的性能。代码和数据在http://github.com/cmhungsteve/TA3N上发布。
2019-06-07 cs.CV cs.LG cs.MM
