用于域泛化的因果平衡
机器学习
2023-02-21 v4 人工智能
计算机视觉与模式识别
摘要
尽管机器学习模型在各种现实任务上迅速推进了最先进水平，但由于这些模型对虚假相关性的脆弱性，域外（OOD）泛化仍然是一个具有挑战性的问题。我们提出一种平衡的小批量采样策略，基于数据生成过程底层因果机制的不变性，将偏置数据分布转换为无虚假信息的平衡分布。我们认为，在此平衡分布上训练的贝叶斯最优分类器在足够多样的环境空间上是极小极大最优的。我们还提供了所提出数据生成过程的潜变量模型的可识别性保证，当使用足够多的训练环境时。实验在DomainBed上进行，经验表明我们的方法在基准上报告的20个基线中取得了最佳性能。
引用
@article{arxiv.2206.05263,
title = {Causal Balancing for Domain Generalization},
author = {Xinyi Wang and Michael Saxon and Jiachen Li and Hongyang Zhang and Kun Zhang and William Yang Wang},
journal= {arXiv preprint arXiv:2206.05263},
year = {2023}
}
备注
Published at ICLR 2023