摘要
机器学习模型的泛化能力，即通过从一个或多个“已见”领域中学习，将知识推广至“未见”领域的能力，在实际应用场景中开发和部署机器学习系统方面具有重要意义。领域泛化（Domain Generalization, DG）技术旨在提升机器学习模型的这种泛化能力，其中所学习到的特征表示与分类器是影响泛化性能和决策准确性的两个关键因素。本文提出了一种基于元学习的跨领域验证的判别性对抗领域泛化方法（Discriminative Adversarial Domain Generalization, DADG）。所提出的框架包含两个协同工作的核心组件：（i）判别性对抗学习，旨在主动在多个“已见”领域上学习具有泛化能力的特征表示；（ii）基于元学习的跨领域验证，通过在训练过程中引入元学习技术，模拟训练与测试领域之间的分布偏移。在实验评估中，我们在三个基准数据集上对所提出方法与其他现有方法进行了全面比较。实验结果表明，DADG在所有测试场景中均显著优于强基线方法DeepAll，并在大多数评估情形下超越了其他现有的领域泛化算法。