Badacze z arXiv opracowali nową strategię meta-learningu zwaną MEDIC (dualistic MEta-learning with joint DomaIn-Class matching), która rozwiązuje problem generalizacji na niewidoczne domeny i klasy. Tradycyjne podejścia do tego problemu opierają się na trwaniu osobnych klasyfikatorów dla każdej klasy, aby oddzielić ją od wszystkich pozostałych i wykrywać anomalie. Problem pojawia się z powodu braku równowagi - jest bardzo mało próbek pozytywnych (reprezentujących daną klasę) i ogromnie dużo próbek negatywnych (wszystkiego innego), co powoduje pochylenie granicy decyzyjnej w kierunku próbek pozytywnych.
To prowadzi do nadmiernego odrzucania danych ze zmienionych domen, nawet gdy pochodzą one z klas znanych modelowi. MEDIC rozwiązuje ten problem poprzez równoczesne dopasowywanie gradientów niejawnych dla podziałów międzydomenowych i międzyklasowych, efektywnie balansuując granice decyzyjne zarówno dla różnych domen, jak i dla różnych klas. Innowacyjne podejście pozwala modeli na trafniejsze rozróżnianie między danymi znanymi a nieznanymi w nowych środowiskach.
Wyniki eksperymentalne pokazują, że MEDIC nie tylko przewyższa poprzednie metody w scenariuszach otwartych zbiorów klas, ale także utrzymuje konkurencyjną wydajność w tradycyjnych scenariuszach zamkniętych zbiorów. Jest to ważne, ponieważ rzeczywiste zastosowania modeli AI często napotykają zarówno nieznane klasy, jak i zmienne warunki domen - nowa metoda stanowi zatem praktyczne rozwiązanie dla bardziej realistycznych scenariuszy wdrażania.