通过通道级稀疏化学习域无关特征以实现外推 generalizes
计算机视觉与模式识别
2026-03-27 v1 人工智能
摘要
外推 (OOD) generalization 已成为评估图像分析系统的主要指标。由于深度学习模型倾向于捕获特定于领域的上下文，他们经常会发展出对这些非因果特征的捷径依赖，导致在不同数据源之间的表现不一致。当前技术，如不变性学习，试图缓解这一问题。然而，它们难以隔离深层潜在空间中高度混合的特征。这一限制阻碍了其完全解决捷径学习问题的能力。本文提出了层次因果 Dropout (HCD) 方法，通过使用通道级因果掩码来强制特征稀疏。该方法允许模型将因果特征与虚假特征分离，有效地在表示层面进行因果干预。训练由基于矩阵的相互信息 (MMI) 目标指导，以最小化潜在特征与域标签之间的相互信息，同时最大化与类别标签共享的信息。为确保稳定性，我们采用 StyleMix 驱动的 VICReg 模块，以防止掩码意外过滤掉关键因果数据。实验结果表明，HCD 在 OOD 基准测试中优于现有顶级方法。
关键词
引用
@article{arxiv.2603.25083,
title = {Learning domain-invariant features through channel-level sparsification for Out-Of Distribution Generalization},
author = {Haoran Pei and Yuguang Yang and Kexin Liu and Juan Zhang and Baochang Zhang},
journal= {arXiv preprint arXiv:2603.25083},
year = {2026}
}