面向单域泛化的元因果学习

单域泛化旨在从单一训练域（源域）学习模型，并将其应用于多个未见过的测试域（目标域）。现有方法侧重于扩展训练域的分布以覆盖目标域，但未估计源域和目标域之间的域偏移。在本文中，我们提出了一种新学习范式，即模拟-分析-缩减，它首先通过构建辅助域作为目标域来模拟域偏移，然后学习分析域偏移的原因，最后学习缩减域偏移以实现模型适配。在该范式下，我们提出一种元因果学习方法以学习元知识，即在训练期间如何推断辅助域与源域之间域偏移的成因。我们利用该元知识在测试期间分析目标域与源域之间的偏移。具体而言，我们对源数据执行多次变换以生成辅助域，执行反事实推断以学习发现辅助域与源域之间偏移的因果因素，并将推断出的因果关系纳入因子感知的域对齐中。在多个图像分类基准上的大量实验表明了我们的方法的有效性。