免混淆因子识别的因果视觉特征学习
机器学习
2022-10-11 v3 计算机视觉与模式识别
摘要
深度学习中的混淆因子通常会渗入特征表示中，从而损害模型的泛化能力。因此，学习不受混淆因子干扰的因果特征非常重要。以往大多数基于因果学习的方法采用后门准则来减轻某些特定混淆因子的不利影响，这需要显式地识别混淆因子。然而，在真实场景中，混淆因子通常多种多样且难以识别。在本文中，我们提出了一种新颖的免混淆因子识别的因果视觉特征学习方法，它免除了识别混淆因子的需要。CICF 基于前门准则建模不同样本间的干预，然后从优化的角度在实例级干预上逼近全局范围的干预效应。通过这种方式，我们旨在找到一个可靠的优化方向，以避免混淆因子的干预效应，从而学习因果特征。此外，我们揭示了 CICF 与流行的元学习策略 MAML 之间的关系，并首次从因果学习的理论视角解释了 MAML 有效的原因。得益于因果特征的有效学习，我们的 CICF 赋予模型卓越的泛化能力。在领域泛化基准数据集上的大量实验证明了我们 CICF 的有效性，其达到了最先进的性能。
引用
@article{arxiv.2111.13420,
title = {Confounder Identification-free Causal Visual Feature Learning},
author = {Xin Li and Zhizheng Zhang and Guoqiang Wei and Cuiling Lan and Wenjun Zeng and Xin Jin and Zhibo Chen},
journal= {arXiv preprint arXiv:2111.13420},
year = {2022}
}
备注
21 pages