Waterbirds-INV

GRIT方法增强机器学习中的分布外鲁棒性

研究人员推出了一种名为几何鲁棒性不变训练（GRIT）的新方法，旨在增强机器学习模型在分布外（OOD）的鲁棒性。GRIT通过估计并投影掉从预训练特征对差异中导出的不稳定子空间，来解决从有限且可能存在噪声的不变对中学习的挑战。这种方法可以将投影应用于各种鲁棒性目标，包括经验风险最小化。实证结果表明，GRIT在多个数据集和学习目标上提高了平均OOD准确率，在许多情况下优于现有方法。