通过风格迁移进行因果推断以实现分布外泛化
计算机视觉与模式识别
2023-06-14 v2 人工智能
摘要
分布外（OOD）泛化旨在利用来自多个源域的知识构建能够在未见目标域上良好泛化的模型。为此，模型应寻求输入与标签之间的因果依赖，其可由输入的语义决定并在各域间保持不变。然而，统计或非因果方法常无法捕捉此依赖，且由于未考虑通过未观测混杂因子从模型训练中学到的虚假相关而表现不佳。像后门调整这类众所周知的现有因果推断方法无法用于消除虚假相关，因其要求混杂因子的观测。在本文中，我们提出一种新方法，通过成功实施前门调整（FA）有效处理隐藏混杂因子。FA 要求选择中介，我们将其视为图像的语义信息，其有助于在不需观测混杂因子的情况下访问因果机制。进一步，我们提出通过风格迁移算法估计前门公式中中介与其他观测图像的组合。我们将风格迁移用于估计 FA 在 OOD 泛化中是新颖且合理的，这一点我们通过广泛使用的基准数据集上的大量实验结果加以证明。
引用
@article{arxiv.2212.03063,
title = {Causal Inference via Style Transfer for Out-of-distribution Generalisation},
author = {Toan Nguyen and Kien Do and Duc Thanh Nguyen and Bao Duong and Thin Nguyen},
journal= {arXiv preprint arXiv:2212.03063},
year = {2023}
}
备注
In Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 23), August 6-10, 2023, Long Beach, CA, USA. ACM, New York, NY, USA, 19 pages