面向领域泛化的投影追踪CPCANet

Hugging Face Daily Papers 论文
domain-generalization principal-component-analysis projection-pursuit orthogonal-basis stiefel-manifold deep-learning

摘要

提出PP-CPCANet，一种用于领域泛化的无协方差框架，其在Stiefel流形上学习全局正交基，并在四个基准数据集上实现了SOTA性能。

领域泛化（DG）旨在学习对分布偏移鲁棒的表示。最近的几何对齐方法，例如CPCANet，通过批量共同主成分分析（CPCA）提取域不变结构。然而，由于小批量训练中的小样本量问题，CPCANet存在秩亏协方差估计的问题。为了解决这一限制，我们提出了投影追踪CPCANet（PP-CPCANet），这是一种无协方差框架，它在Stiefel流形上学习全局正交基，并通过Cayley变换与网络参数联合优化。我们进一步引入了一种对称性破缺的分离中位数PP离散度目标，以提取具有密集且鲁棒优化信号的共同主成分（CPCs）。在四个DG基准数据集上的实验表明，PP-CPCANet实现了SOTA性能，同时保持了稳定的训练。
查看原文
查看缓存全文

缓存时间: 2026/07/29 11:52

论文页面 - 用于域泛化的投影追踪CPCANet

Source: https://huggingface.co/papers/2607.22117

摘要

域泛化（DG）旨在学习对分布偏移鲁棒的表示。近年来，诸如CPCANet等几何对齐方法通过批量式公共主成分分析（CPCA）提取域不变结构。然而，CPCANet因小批量训练中的小样本问题而面临秩亏协方差估计。为解决这一局限，我们提出投影追踪CPCANet（PP-CPCANet），一种无协方差框架，在史蒂费尔流形上学习全局正交基，并通过凯莱变换使其与网络参数联合优化。我们进一步引入一种打破对称性的分离中位数PP散度目标，以提取具有密集且鲁棒优化信号的公共主成分（CPCs）。在四个DG基准上的实验表明，PP-CPCANet在保持稳定训练的同时达到了最先进的性能。

查看arXiv页面 (https://arxiv.org/abs/2607.22117)查看PDF (https://arxiv.org/pdf/2607.22117)GitHub (https://github.com/wish44165/PP-CPCANet)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.22117)

在您的代理中获取此论文：

hf papers read 2607\.22117

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

无模型链接此论文

在模型的README.md中引用arxiv.org/abs/2607.22117以从此页面链接。

引用此论文的数据集0

无数据集链接此论文

在数据集的README.md中引用arxiv.org/abs/2607.22117以从此页面链接。

引用此论文的空间0

无空间链接此论文

在空间的README.md中引用arxiv.org/abs/2607.22117以从此页面链接。

包含此论文的收藏0

无收藏包含此论文

将此论文添加至收藏 (https://huggingface.co/new-collection)以从此页面链接。

相似文章

物理信息机器学习泛化性的PAC-Bayesian视角

arXiv cs.LG

本文为物理信息机器学习开发了一种PAC-Bayesian框架，为无界损失提供了高概率泛化保证。它提出了一种多任务视角，联合处理数据保真度、偏微分方程残差和边界条件，并引入了一种自界限学习算法。

层次化领域泛化

arXiv cs.LG

本文介绍了层次化领域泛化，将有限观测区域外推至整个实例空间的形式化。结果表明，无论假设类多么简单，某些领域划分都会使泛化无法实现，并认为现代泛化理论必须将领域结构作为首要因素纳入考量。

流形感知通用编码计算：抗滞后分布式计算

arXiv cs.LG

本文提出一种针对通用编码计算的流形感知编码策略，该策略利用高维数据的内在低维几何结构来提高分布式系统中的抗滞后性。实验表明，在神经网络推断和多项式求值任务中，该策略显著降低了均方恢复误差。