論文の概要: Robust Domain Generalization under Divergent Marginal and Conditional Distributions

• arxiv url: http://arxiv.org/abs/2602.02015v1
• Date: Mon, 02 Feb 2026 12:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.134336
• Title: Robust Domain Generalization under Divergent Marginal and Conditional Distributions
• Title（参考訳）: 分母分布と条件分布におけるロバスト領域の一般化
• Authors: Jewon Yeom, Kyubyung Chae, Hyunggyu Lim, Yoonna Oh, Dongyoon Yang, Taesup Kim,
• Abstract要約: ドメインの一般化は、目に見えないドメインに一般化できる予測モデルを学ぶことを目的としている。 本稿では,分散境界分布と条件分布の下での堅牢な領域一般化のための統一的なフレームワークを提案する。 我々は、結合分布を境界成分と条件成分に明示的に分解することで、目に見えない領域に縛られる新たなリスクを導出する。
• 参考スコア（独自算出の注目度）: 10.703095121858503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization (DG) aims to learn predictive models that can generalize to unseen domains. Most existing DG approaches focus on learning domain-invariant representations under the assumption of conditional distribution shift (i.e., primarily addressing changes in $P(X\mid Y)$ while assuming $P(Y)$ remains stable). However, real-world scenarios with multiple domains often involve compound distribution shifts where both the marginal label distribution $P(Y)$ and the conditional distribution $P(X\mid Y)$ vary simultaneously. To address this, we propose a unified framework for robust domain generalization under divergent marginal and conditional distributions. We derive a novel risk bound for unseen domains by explicitly decomposing the joint distribution into marginal and conditional components and characterizing risk gaps arising from both sources of divergence. To operationalize this bound, we design a meta-learning procedure that minimizes and validates the proposed risk bound across seen domains, ensuring strong generalization to unseen ones. Empirical evaluations demonstrate that our method achieves state-of-the-art performance not only on conventional DG benchmarks but also in challenging multi-domain long-tailed recognition settings where both marginal and conditional shifts are pronounced.
• Abstract（参考訳）: ドメイン一般化(DG)は、目に見えないドメインに一般化できる予測モデルを学ぶことを目的としている。 既存のDGアプローチのほとんどは、条件分布シフトの仮定の下でドメイン不変表現を学習することに焦点を当てている(つまり、主に$P(X\mid Y)$の変化に対処するが、$P(Y)$は安定である)。 しかし、複数の領域を持つ実世界のシナリオは、境界ラベル分布$P(Y)$と条件分布$P(X\mid Y)$が同時に変化するような複合分布シフトを伴うことが多い。 そこで本研究では,分散境界分布と条件分布の下での堅牢な領域一般化のための統一的なフレームワークを提案する。 連関分布を境界成分と条件成分に明示的に分解し, 分岐源から生じるリスクギャップを特徴付けることにより, 未確認領域に対する新たなリスクバウンドを導出する。 このバウンダリを運用するために,提案するリスクを最小化し,検証するメタラーニング手法を設計する。 実験により,本手法は従来のDGベンチマークだけでなく,限界値と条件値の差が明らかになるような多領域長周期認識設定にも適用可能であることが示された。

関連論文リスト

• Guidance Not Obstruction: A Conjugate Consistent Enhanced Strategy for Domain Generalization [50.04665252665413]
  ドメイン内のクラス間での差別的一般化の獲得が不可欠である。 分布の整合性を求めるのとは対照的に、ドメイン関係の階級間差別を保護しようと努力する。 我々は,新たな分布レベルのUniversum戦略を用いて,追加的なドメイン関係のクラス条件分布を生成する。
  論文  参考訳（メタデータ） (2024-12-13T12:25:16Z)
• Domain Generalisation via Risk Distribution Matching [17.334794920092577]
  本稿では,リスク分布を利用した領域一般化(DG)手法を提案する。 テストでは、同様の、あるいは潜在的に大きな、リスク分布のばらつきを観察することができる。 リスク分散マッチング(RDM)は最先端DG法よりも優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2023-10-28T05:23:55Z)
• Moderately Distributional Exploration for Domain Generalization [32.57429594854056]
  MODEは、未知のターゲット領域上で、証明可能な一般化性能を持つモデルを提供することができることを示す。 実験結果から,MODEは最先端のベースラインに比べて競争性能が高いことがわかった。
  論文  参考訳（メタデータ） (2023-04-27T06:50:15Z)
• Constrained Maximum Cross-Domain Likelihood for Domain Generalization [14.91361835243516]
  ドメインの一般化は、複数のソースドメイン上で一般化可能なモデルを学ぶことを目的としている。 本稿では,異なる領域の後方分布間のKL偏差を最小限に抑える新しい領域一般化法を提案する。 Digits-DG、PACS、Office-Home、MiniDomainNetの4つの標準ベンチマークデータセットの実験は、我々のメソッドの優れたパフォーマンスを強調している。
  論文  参考訳（メタデータ） (2022-10-09T03:41:02Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
  ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。 我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
  論文  参考訳（メタデータ） (2022-07-20T14:41:09Z)
• Instrumental Variable-Driven Domain Generalization with Unobserved Confounders [53.735614014067394]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインから、目に見えないターゲットドメインをうまく一般化できるモデルを学ぶことを目的としている。 観測不能な共同創設者のバイアスを2段階学習で除去し,インストゥルメンタル変数駆動型DG法(IV-DG)を提案する。 第1段階では、あるドメインの入力特徴の条件分布を他のドメインの入力特徴の条件分布として学習する。 第2段階では,ラベルと学習条件分布の関係を推定する。
  論文  参考訳（メタデータ） (2021-10-04T13:32:57Z)
• Discriminative Domain-Invariant Adversarial Network for Deep Domain Generalization [33.84004077585957]
  本稿では,ドメイン一般化のための識別型ドメイン不変逆数ネットワーク(DDIAN)を提案する。 DDIANは、最先端のドメイン一般化アプローチと比較して、トレーニング中の未確認対象データに対するより良い予測を実現している。
  論文  参考訳（メタデータ） (2021-08-20T04:24:12Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。