Variational Disentanglement for Domain Generalization

要約

ドメインの一般化は、目に見えないターゲット ドメインに対して適切に一般化できる不変モデルを学習することを目的としています。
この論文では、タスク固有の機能が期待される場合に、ドメイン固有の機能とタスク固有の機能を解きほぐすことができる、変分解絡ネットワーク (VDN) という名前の効果的なフレームワークを提供することによって、ドメインの一般化の問題に取り組むことを提案します。
目に見えないが関連するテストデータをよりよく一般化するためです。
さらに、私たちが提案したフレームワークが、タスク固有の特徴の分布と変分推論から導出されたその不変のグランドトゥルースの間の乖離の証拠の上限を最小限に抑えるのに等しいことを証明することにより、私たちの提案した方法の理論的根拠を示します。
当社では、3 つのベンチマークで当社の手法を検証するために広範な実験を実施しており、定量的および定性的な結果の両方が当社の手法の有効性を示しています。

要約(オリジナル)

Domain generalization aims to learn an invariant model that can generalize well to the unseen target domain. In this paper, we propose to tackle the problem of domain generalization by delivering an effective framework named Variational Disentanglement Network (VDN), which is capable of disentangling the domain-specific features and task-specific features, where the task-specific features are expected to be better generalized to unseen but related test data. We further show the rationale of our proposed method by proving that our proposed framework is equivalent to minimize the evidence upper bound of the divergence between the distribution of task-specific features and its invariant ground truth derived from variational inference. We conduct extensive experiments to verify our method on three benchmarks, and both quantitative and qualitative results illustrate the effectiveness of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google