对比式ACE：通过因果机制对齐实现域泛化
机器学习
2021-06-03 v1 机器学习
摘要
域泛化旨在从多个源域中学习跨不同分布不变且对下游任务具有语义意义的知识，以提升模型在未见目标域上的泛化能力。其根本目标是理解这些观测分布背后的“不变性”，且这种不变性已被证明与因果性密切相关。尽管许多现有方法利用了因果特征跨域不变的性质，我们考虑特征对标签的平均因果效应的因果不变性。该不变性正则化我们的训练方法，其中对特征进行干预，以强制分类器跨域的因果预测稳定性。因此，我们的工作通过将机制的不变性引入学习过程，为域泛化问题提供了一些启示。在多个基准数据集上的实验证明了所提方法相对于SOTA方法的性能。
引用
@article{arxiv.2106.00925,
title = {Contrastive ACE: Domain Generalization Through Alignment of Causal Mechanisms},
author = {Yunqi Wang and Furui Liu and Zhitang Chen and Qing Lian and Shoubo Hu and Jianye Hao and Yik-Chung Wu},
journal= {arXiv preprint arXiv:2106.00925},
year = {2021}
}