基于对比因果学习的域泛化
计算机视觉与模式识别
2022-10-07 v1
摘要
域泛化(DG)旨在从一组源域中学习一个能很好泛化到未见目标域的模型。借助不变因果机制的思想,许多研究致力于学习由对象决定且对域变化不敏感的鲁棒因果效应。尽管因果效应具有不变性,它们难以被量化和优化。受人类利用先验知识适应新环境的能力启发,我们提出一种新颖的对比因果模型(CCM),将未见图像迁移为已学知识(即所见图像的特征),并基于已学知识量化因果效应。考虑到该迁移受 DG 中域偏移的影响,我们提出一个更具包容性的因果图来描述 DG 任务。基于此因果图,CCM 控制域因子以切断多余的因果路径,并利用剩余部分通过前门准则计算图像对标签的因果效应。具体而言,CCM 由三部分组成:(i) 域条件监督学习,教导 CCM 图像与标签间的相关性;(ii) 因果效应学习,帮助 CCM 度量图像对标签的真实因果效应;(iii) 对比相似度学习,将同类图像的特征聚类并提供相似度的量化。最后,我们在包括 PACS、OfficeHome 和 TerraIncognita 的多个数据集上测试 CCM 的性能。大量实验表明 CCM 以明显优势超越先前的 DG 方法。
引用
@article{arxiv.2210.02655,
title = {Domain Generalization via Contrastive Causal Learning},
author = {Qiaowei Miao and Junkun Yuan and Kun Kuang},
journal= {arXiv preprint arXiv:2210.02655},
year = {2022}
}