检测新环境，上下文领域泛化:理解边际迁移学习的益处和局限

文章预览

Towards Context-Aware Domain Generalization:Understanding the Benefits and Limits of Marginal Transfer Learning 上下文 领域泛化:理解边际迁移学习的益处和局限 https://arxiv.org/pdf/2312.10107 摘要 在这项工作中，我们分析了在何种条件下，关于输入X的上下文信息可以提高深度学习模型在新领域中的预测能力。在领域泛化（DG）中的边际迁移学习工作的基础上，我们将 上下文概念形式化为一组源自与输入本身相同领域的数据点的置换不变表示。 我们提供了在原则上可以带来益处的条件下，这种方法的理论分析，并制定了两个在实践中可以轻松验证的必要标准。此外，我们提供了关于边际迁移学习方法有望实现鲁棒性的分布偏移类型的见解。实证分析表明，我们的标准在辨别有利和不利场景方面是有效的。最后，我们展示了我们可以可靠地 检测模型在分布外（OOD）领域中进行不 ………………………………