摘要
我们提出了一种面向特定领域的掩码机制（Domain-specific Masks for Generalization），旨在同时提升模型在已见领域（in-domain）与未见领域（out-of-domain）上的泛化性能。在领域泛化（Domain Generalization）任务中，目标是从一组源域（source domains）中学习，构建一个单一模型，使其能够最优地泛化至未见过的目标域（unseen target domain）。以往多数方法致力于学习在所有源域中均保持一致的表示特征，其假设是这些与领域无关（domain-agnostic）的特征具有良好的泛化能力。然而，实际中每个领域往往包含独特的、具有判别性的特征，若能有效利用这些特征，可显著提升模型在对应领域内的识别性能。为实现对已见与未见领域的最优泛化，我们提出学习领域特定的掩码（domain-specific masks）。这些掩码被设计为在学习过程中平衡领域不变特征与领域特定特征，从而构建出一种兼具优势的模型：既能利用特定领域特征带来的强预测能力，又能保留领域不变特征的通用适用性。我们在PACS与DomainNet两个主流数据集上进行了实验，结果表明，该方法在性能上优于简单的基线模型，并达到了与当前最先进方法相媲美的水平。