Core Concepts
提案されたWasserstein分布ロバスト性フレームワークは、限られたソース知識下でのドメイン一般化において優れた性能を発揮します。
Abstract
ドメイン一般化は未知のターゲットドメインに対して普遍的なモデルを学習することを目指す。
既存のアプローチでは、限られたラベル付きサンプルがある場合に十分なロバスト性が得られない問題がある。
提案されたWDRDGフレームワークは、条件付き分布内のロバスト性を促進し、最悪ケースパフォーマンスを最適化する。
テスト時の適応推論モジュールは、最適輸送を活用してターゲットデータに対する推論を行う。
INTRODUCTION
ドメイン一般化は未知のターゲットドメインに対して普遍的なモデルを学習する課題であり、多くのソースドメインから利用可能なトレーニングデータを活用する。
既存手法では限られたラベル付きサンプルがある場合に十分なロバスト性が得られず、新しい提案は重要である。
WDRDG Framework
Wasserstein Distributionally Robust Domain Generalization(WDRDG)フレームワークは、条件付き分布内のロバスト性を促進し、最悪ケースパフォーマンスを最適化する。
テスト時の適応推論モジュールは、最適輸送を活用してターゲットデータに対する推論を行う。
Data Extraction:
DROは通常テストデータが基礎データ分布から生成されると仮定し、摂動が明示的に境界設定されている。
不確実性セット内の事前定義距離制約はセット内の摂動に対して堅牢さを提供する。
Stats
DROは通常テストデータが基礎データ分布から生成されると仮定し、摂動が明示的に境界設定されている。
不確実性セット内の事前定義距離制約はセット内の摂動に対して堅牢さを提供する。
Quotes
"Domain generalization aims at learning a universal model that performs well on unseen target domains."
"We propose a domain generalization framework to explicitly model the unknown target domain shift under limited source knowledge."