基于因果驱动的跨域图像分类特征评估
机器学习
2026-01-30 v2 人工智能
摘要
跨域图像分类中的离分布（OOD）泛化仍是实际应用中的根本性挑战，测试分布常常与训练数据显著不同。大多数现有方法追求领域不变的表示，隐式假设不变性即等价于可靠性。然而，跨域保持不变的特征未必对预测具有因果有效性。在本工作中，我们从因果视角重新审视 OOD 分类，提出基于分布迁移下必要性和充分性来评估所学习表示的方法。我们引入一个显式的分段级框架，直接衡量跨域的因果有效性，提供比仅靠不变性更可靠的标准。在多域基准测试上的实验表明，OOD 性能实现了持续的改进，特别是在面对挑战性域迁移时，凸显了因果评估对稳健泛化的重要价值。
引用
@article{arxiv.2601.20176,
title = {Causal-Driven Feature Evaluation for Cross-Domain Image Classification},
author = {Chen Cheng and Ang Li},
journal= {arXiv preprint arXiv:2601.20176},
year = {2026}
}
备注
Preprint