摘要

通常情况下，深度学习的实验环境假设训练集和测试集是从同一分布中采样的。然而，在实际应用中，两个数据集之间的分布差异（即领域偏移）可能会发生，这成为阻碍模型泛化性能的主要因素。解决这一问题的研究领域被称为领域泛化，其通过显式或隐式提取领域不变特征来缓解领域偏移问题。在最近的研究中，基于对比学习的领域泛化方法已被提出并取得了高性能。这些方法需要对负样本对进行采样。然而，对比学习的性能从根本上取决于负样本对的质量和数量。为了解决这一问题，我们提出了一种新的基于对比学习的领域泛化正则化方法——自监督对比正则化（SelfReg）。该方法仅使用正样本对，从而解决了由负样本对采样引起的各种问题。此外，我们还提出了一种类特定的领域扰动层（Class-Specific Domain Perturbation Layer, CDPL），使得即使只使用正样本对也能有效应用mixup增强技术。实验结果表明，SelfReg所结合的技术以兼容的方式提升了性能。在最新的基准测试DomainBed中，所提出的方法表现出与传统最先进方法相当的性能。代码可在 https://github.com/dnap512/SelfReg 获取。