域泛化性能领先
通过约束专家间一致性与多样性，显著提升模型在未知目标域上的泛化能力。
Xu, Fangbin · 陈东岳 · 贾同 · Deng, Shizhuo · Hao, Wang
IEEE Transactions on Multimedia 2024
采用域-类别均衡子集划分采样策略训练专家，避免专家偏向多数域或类别，提升单个专家的泛化能力。
两个正则化损失同时鼓励专家预测一致性和多样性，使组合模型既能共享知识又保留互补性。
在三个主流域泛化基准数据集上的大量实验表明，CBDMoE 的性能优于现有最先进方法。