论文解读（MLDG）《Learning to Generalize: Meta-Learning for Domain Generalization》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ]

论文信息

论文标题：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks
论文作者：Chelsea Finn、Pieter Abbeel、Sergey Levine
论文来源：2017 
论文地址：download 
论文代码：download
视屏讲解：click

1-摘要

　　域移位是指一个众所周知的问题，即在一个源域中训练的模型在应用于具有不同统计数据的目标域时表现较差。域泛化（DG）技术试图通过生成模型来缓解这个问题，通过设计可以很好地推广到新的测试领域。我们提出了一种新的领域泛化的元学习方法。我们没有像之前的大多数DG工作中那样设计一个特定的对域位移具有鲁棒性的模型，而是为DG提出了一个模型不可知的训练程序。我们的算法通过在每个小批量中合成虚拟测试域来模拟训练过程中的训练/测试域偏移。元优化目标要求提高训练域性能的步骤也应该提高测试域性能。这种元学习过程训练具有良好泛化能力的模型。我们评估了我们的方法，并在最近的一个跨领域图像分类基准上取得了最新的结果，并展示了其在两个经典的强化学习任务上的潜力。

2-方法

2.1 框架

　　

　　图示：在多个源域上进行训练，在一个域上做测试。多个源域划各自划分为训练集和验证集，根据所有源域的验证集结果最好的模型得到目标域的性能。在训练的时候，选择其中一个 作为 meta-test，其他的训练集做为 meta-train。

2.2 监督训练算法

算法：