用于视觉识别的因果可迁移性
计算机视觉与模式识别
2022-04-27 v1
摘要
视觉表征是物体识别任务的基础，但它们通常同时包含鲁棒特征和非鲁棒特征。我们的主要观察是，图像分类器在分布外样本上可能表现不佳，因为非鲁棒特征与标签之间的虚假相关性在新环境中可能发生改变。通过用因果图分析分布外泛化过程，我们表明标准分类器失败的原因是图像与标签之间的关联在不同设置间不可迁移。然而，我们随后表明，切断了所有混淆源的因果效应在不同域间保持不变。这促使我们开发了一种算法来估计图像分类的因果效应，该效应在源环境和目标环境之间是可迁移的（即不变的）。在不观测额外变量的情况下，我们表明可以利用深度模型中的表征作为代理，在经验假设下推导出因果效应的估计量。理论分析、实证结果和可视化表明，我们的方法捕获了因果不变性并提升了整体泛化能力。
引用
@article{arxiv.2204.12363,
title = {Causal Transportability for Visual Recognition},
author = {Chengzhi Mao and Kevin Xia and James Wang and Hao Wang and Junfeng Yang and Elias Bareinboim and Carl Vondrick},
journal= {arXiv preprint arXiv:2204.12363},
year = {2022}
}