返回
Mixup-based maximum distribution difference selection strategy for domain generalization
DOI:10.1016/j.eswa.2025.127521.png)
摘要
En 中文
领域泛化是迁移学习问题的一个分支,其中源域和目标域分布不同,目标是将训练于源域的模型推广到未见的目标域。一种有前景的解决方案是应用mixup生成新特征,但现有方法通常直接从不同域中选择两个样本进行mixup。我们发现这种跨域选择方法存在需要域标签、在模型具有多个mixup时失效等缺点。为此,本文设计了一种新的样本选择算法,用于选择分布差异大的样本对进行mixup。此外,我们提出了间接多样本mixup方法,以更大规模地探索未见目标域的分布。为解决训练后期原始数据引起的过拟合问题,我们设计了调整mix比率的公式,从而随着训练进程逐步增加原始数据的mix比率。最后,在四个公开基准数据集PACS、OfficeHome、VLCS和TerraIncognita上的大量实验表明,与领域泛化领域的最新方法相比,我们的方法表现更优。
Keyword:
Domain generalization
Transfer learning
Maximum Mean Discrepancy
期刊
IF:
7.5
论文数:
2.9W
被引数:
10.2W
机构
暂无机构信息

