用于单域泛化的混沌引导参数空间对比学习

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Chaos Guided Parameter-Space Contrastive Learning for Single Domain Generalization

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

单领域泛化（SDG）旨在在单一源领域上训练模型，并使其能够泛化到未见过的数据目标。现有方法主要集中在输入或特征层面的增强，但往往忽视了参数空间的敏感性——参数的微小变化在分布发生变化时可能导致性能大幅下降。我们提出了一种混沌驱动的对比学习框架，通过探索参数空间中的敏感方向来提升模型的泛化能力。这些方向是通过截断奇异值分解确定的，并在混沌理论的指导下以受控方式对其进行扰动。这些扰动会产生参数空间视图，随后与标准增强方法一起用于对比学习目标，从而形成与领域无关的表示形式。此外，还利用李雅普诺夫指数将模型引导至混沌边界，从而在训练过程中实现稳定性与探索性的平衡。在四个标准的SDG基准测试上的全面实验表明，我们的方法优于现有的SDG方法。

AI总结

AI生成的总结（实验性）

此总结是使用自动化工具生成的，未经文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的实用性，以及帮助来自相关研究领域的读者理解该文章。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于我们对总结进行改进并生成更优的版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。