神经网络鲁棒性的因果视角
机器学习
2021-02-11 v3 机器学习
摘要
我们提出了一种关于神经网络对输入操纵鲁棒性的因果视角，该视角不仅适用于传统的分类任务，也适用于一般的测量数据。基于此视角，我们设计了一个深度因果操纵增强模型（deep CAMA），该模型显式地对导致观测效应变化的某些原因上可能的操纵进行建模。我们进一步开发了数据增强和测试时微调方法以提升 deep CAMA 的鲁棒性。与判别型深度神经网络相比，我们提出的模型在面对未见过操纵时表现出更优的鲁棒性。作为一个副产品，我们的模型实现了解耦表征，将操纵的表征与其他潜在原因的表征分离开来。
引用
@article{arxiv.2005.01095,
title = {A Causal View on Robustness of Neural Networks},
author = {Cheng Zhang and Kun Zhang and Yingzhen Li},
journal= {arXiv preprint arXiv:2005.01095},
year = {2021}
}
备注
NeurIPS 2020