Enhancing Practical Domain Generalization via Partially Shared Features

Zengmao Wang

doi:10.1109/tpami.2026.3733429

Enhancing Practical Domain Generalization via Partially Shared Features

2026-09-11

0

PRE

AI

DOI：10.1109/tpami.2026.3733429

原文链接

原文求助

摘要

En 中文

域泛化（DG）旨在增强在源域上训练的模型在应用于分布外（OOD）域时的性能。传统DG方法通常依赖因果模型，该模型假设每个域中的观测数据由共享语义变量和域特定非语义变量共同生成。这一原理表明，通过最大化模型对语义变量的依赖并最小化对非语义变量的依赖，可以实现强大的DG性能，从而引导了大量以学习完全共享特征（ESFs）为中心的工作，这些特征是所有源域共有的。然而，这种成熟的因果模型可能无法充分表征现实场景，因为许多域往往具有非共享语义变量——每个域仅捕捉整体语义的局部方面。例如，逼真的绘画可能强调动物的颜色，而素描主要关注其轮廓和形状。因此，过度强调ESFs可能导致泛化效果不佳，因为当源域之间的语义差异增大时，ESFs与语义变量之间的最大依赖性可能会显著削弱。为此，我们首先正式化了一个经过改进的因果图，以表征此类非共享语义变量。然后，我们引入了一个新的DG框架，专注于学习部分共享特征（PSFs）——这些特征在源域的子集之间共享，包含并推广了ESFs。为实现这一概念，我们提出了一种通过采用逆元学习机制来学习PSFs的框架，以扩展先前学习ESFs的方法。实验结果表明，我们的框架增强了各种现有方法的性能，并优于许多最先进的方法，凸显了进一步探索PSFs以推动实用DG的优势。

Keyword:

Domain Generalization

Trustworthy Machine Learning

Enhancing Practical Domain Generalization via Partially Shared Features

摘要

期刊

机构

引用论文