基于风格偏差去混淆的因果推断用于域泛化

深度神经网络（DNNs）常常难以处理分布外数据，限制了其在多样化真实场景应用中的可靠性。为解决这一问题，域泛化方法被提出用于从单个或多个训练域中学习域不变特征，从而实现对未见测试域的泛化。然而，现有方法通常忽视训练集内风格频率的影响。这一疏漏使模型倾向于捕获由风格混淆因素引发的虚假视觉相关性，而非学习真正因果的表征，从而损害了推断可靠性。在本文中，我们提出风格去混淆因果学习（SDCL），一种基于因果推断的新颖框架，旨在显式地将风格作为混淆因素加以处理。我们的方法首先构建一个针对域泛化问题量身定制的结构因果模型（SCM），并采用后门调整策略以考虑风格的影响。在此基础上，我们设计了一个风格引导专家模块（SGEM），在训练过程中自适应地聚类风格分布，以捕获全局混淆风格。此外，后门因果学习模块（BDCL）在特征提取阶段执行因果干预，确保将全局混淆风格公平地融入样本预测，有效降低风格偏差。SDCL 框架具有高度通用性，可与多种先进的数据增强技术无缝集成。在多种自然图像与医学图像识别任务上的大量实验验证了其有效性，表明其在多域以及更具挑战性的单域泛化场景下均具有更优的性能。