学习迁移：开放集领域泛化的最优传输元学习框架

《Pattern Recognition》：Learning to Transport for Open Set Domain Generalization

本文提出了一种融合元学习与最优传输（OT）的创新框架L2OT，针对开放集领域泛ization（OSDG）中未知类别识别与领域偏移的双重挑战，通过“学习如何迁移分布”（how to learn to transport）的核心思想，突破了传统元学习“学习如何分类”（how to learn to classify）的局限。该方法通过负最优传输损失与不平衡传输优化策略，显著提升了模型在跨域未知样本检测中的鲁棒性，在多数据集实验中取得领先性能。

　　

开放集识别（Open Set Recognition）

开放集识别（OSR）作为一种分类任务，旨在解决测试阶段出现训练数据中未见过的新类别的问题。传统封闭集分类假设训练与测试数据源自相同类别分布，但该假设在实际应用中常不成立。OSR方法的目标不仅是正确分类属于已知类别的测试样本，还需检测并标记那些属于未知类别的测试样本。

问题设定（Problem Setting）

假设存在多个源域D₁, D₂, …, D_S，所有源域共享同一标签空间C_s。每个域D_s= {(x_i^s, y_i^s)}_i=1^N_s，其中N_s表示第s个域的总样本数，y可取值于C_s。同时，我们有一个指定的目标域D_t= {(x_i^t, y_i^t)}_i=1^N_t，其标签空间C_t独立。在普通领域泛化（DG）中，C_s= C_t。而开放集领域泛化（OSDG）的不同之处在于C_s? C_t，未知类别定义为C_u= C_t\ C_s。

领域泛化中的元学习（Meta-learning in DG）

训练过程中，我们将批次中的样本设为{x_i, y_i, d_i}，其中y_i是来自C_s的标签，d_i是域标签，表明样本来自D_yi。对于给定的特征提取器f，可获得对应的特征表示z_i= f(x_i)。我们采用元学习策略，遵循[5]将源域划分为源训练域S_F= {S_F1, S_F2}和源测试域S_G= {S_G1, S_G2}，其中S_F∪ S_G= S且S_F∩ S_G= ?。S_F*/S_G*表示随机不相交的划分。

数据集（Datasets）

我们在PACS、Office-Home和Digits-DG上评估L2OT。PACS数据集包含四个域：照片（P）、艺术绘画（A）、卡通（C）、素描（S）和七个类别（如狗、大象、吉他），总计约9,991张图像。Office-Home数据集包含四个域：艺术、剪贴画、产品、真实世界和65个类别，总计15,588张图像。Digits-DG数据集包含多个子集，如MNIST、MNIST-M、SVHN和SYN，这些子集包含各种风格的数字图像。

结论（Conclusion）

本文提出了L2OT，一个融合元学习与最优传输（OT）的创新框架。与现有方法聚焦于“学习如何分类”不同，L2OT学习“学习如何迁移”，实现了源域和目标域分布的有效对齐。我们的实验表明，L2OT持续优于现有方法，凸显了其有效性和鲁棒性。L2OT当前的一个局限是其对多源域的依赖。