摘要

单域泛化旨在从单一训练域（源域）学习一个模型，并将其应用于多个未见过的测试域（目标域）。现有方法主要集中在扩展训练域的分布以覆盖目标域，但并未估计源域与目标域之间的领域偏移。在本文中，我们提出了一种新的学习范式，即模拟-分析-减少（simulate-analyze-reduce），首先通过构建辅助域作为目标域来模拟领域偏移，然后学习分析领域偏移的原因，最后学习减少领域偏移以实现模型适应。在此范式下，我们提出了一种元因果学习方法，用于学习元知识，即如何在训练过程中推断辅助域与源域之间领域偏移的原因。我们在测试过程中利用这些元知识来分析目标域与源域之间的偏移。具体而言，我们对源数据进行多次变换以生成辅助域，通过反事实推理学习发现辅助域与源域之间偏移的因果因素，并将推断出的因果关系纳入因子感知领域的对齐中。我们在几个图像分类基准上的大量实验表明了该方法的有效性。