仿人类因果表示学习用于域综合
人工智能
2025-10-21 v1 机器学习
摘要
本文提出了 Humanoid-inspired Structural Causal Model (HSCM)，一种受人类智能启发的新型因果框架，旨在克服常规域综合模型的局限性。不同于依赖统计数据捕获数据-标签依赖关系并学习失真不变表示的方法，HSCM 复制了人类视觉系统的层次处理和多级学习，专注于建模细粒度因果机制。通过解耦和重新加权关键图像属性（如颜色、纹理和形状），HSCM 增强了跨不同域的泛化能力，确保稳健的性能和可解释性。凭借人类智能的灵活性和适应性，我们的方法实现了在动态复杂环境中更有效的迁移和学习。通过理论和实证评估，我们展示了 HSCM 优于现有域综合模型，为捕获因果关系和改进模型鲁棒性提供了更原则的方法。代码可在 https://github.com/lambett/HSCM 获取。
引用
@article{arxiv.2510.16382,
title = {Humanoid-inspired Causal Representation Learning for Domain Generalization},
author = {Ze Tao and Jian Zhang and Haowei Li and Xianshuai Li and Yifei Peng and Xiyao Liu and Senzhang Wang and Chao Liu and Sheng Ren and Shichao Zhang},
journal= {arXiv preprint arXiv:2510.16382},
year = {2025}
}