Towards Domain-Specific Features Disentanglement for Domain Generalization

要約

ドメイン間の分布の変化は、最新の機械学習アルゴリズムに大きな課題をもたらします。
ドメイン一般化 (DG) は、この問題を対象とした一般的な手法を意味しており、これらの手法は、異種の分布にわたる普遍的なパターンを明らかにすることを目的としています。
DG の背後にある重大な課題は無関係なドメイン機能の存在であり、これまでの研究のほとんどはこの情報を見落としていることに注意してください。
これを動機として、我々は、もつれ解除された特徴を効果的に利用して、見落とされているドメイン固有の特徴を活用し、DG タスクに必要なクロスドメイン カテゴリ特徴の抽出を容易にする、新しい対比ベースのもつれ解除手法 CDDG を提案します。
具体的には、CDDG は、潜在空間で相互に排他的な固有の特徴を活用することで、それらの特徴を分離することを学習し、学習を差別化します。
さまざまなベンチマーク データセットに対して行われた広範な実験により、他の最先端のアプローチと比較して、私たちの方法の優位性が実証されています。
さらに、視覚化評価により、効果的な特徴のもつれ解除を達成する際の私たちの方法の可能性が確認されています。

要約(オリジナル)

Distributional shift between domains poses great challenges to modern machine learning algorithms. The domain generalization (DG) signifies a popular line targeting this issue, where these methods intend to uncover universal patterns across disparate distributions. Noted, the crucial challenge behind DG is the existence of irrelevant domain features, and most prior works overlook this information. Motivated by this, we propose a novel contrastive-based disentanglement method CDDG, to effectively utilize the disentangled features to exploit the over-looked domain-specific features, and thus facilitating the extraction of the desired cross-domain category features for DG tasks. Specifically, CDDG learns to decouple inherent mutually exclusive features by leveraging them in the latent space, thus making the learning discriminative. Extensive experiments conducted on various benchmark datasets demonstrate the superiority of our method compared to other state-of-the-art approaches. Furthermore, visualization evaluations confirm the potential of our method in achieving effective feature disentanglement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google