面向分布外泛化的元因果特征学习
计算机视觉与模式识别
2022-08-23 v1
摘要
因果推断已成为处理分布外（OOD）泛化问题的有力工具，其旨在提取不变特征。然而，常规方法从多个数据划分中应用因果学习器，这可能导致来自不平衡数据分布的偏置表示学习，以及难以从异构源中进行不变特征学习。为解决这些问题，本文提出一种平衡元因果学习器（BMCL），其包含平衡任务生成模块（BTG）与元因果特征学习模块（MCFL）。具体而言，BTG 模块通过带有样本类别与上下文比例约束的自学习划分算法来生成平衡子集；MCFL 模块训练适应不同分布的元学习器。在 NICO++ 数据集上的实验验证了 BMCL 能有效识别用于分类的类别不变视觉区域，并可作为提升 SOTA 方法性能的通用框架。
引用
@article{arxiv.2208.10156,
title = {Meta-Causal Feature Learning for Out-of-Distribution Generalization},
author = {Yuqing Wang and Xiangxian Li and Zhuang Qi and Jingyu Li and Xuelong Li and Xiangxu Meng and Lei Meng},
journal= {arXiv preprint arXiv:2208.10156},
year = {2022}
}