基于因果干预与扰动的 Mixstyle-Entropy：域通用性方法
机器学习
2024-08-23 v2 计算机视觉与模式识别
统计方法学
摘要
尽管深度神经网络已取得显著进展，但在测试环境与训练环境差异显著时，其性能往往会下降。域通用性 (DG) 通过学习与域相关信息无关的表征来解决此问题，从而促进对未见环境的外推。现有方法通常专注于制定针对性训练目标，从源数据中提取共享特征。然而，分离的训练和测试程序可能削弱鲁棒性，尤其是在部署期间面临不可预见的变化时。本文提出了一种基于因果的新型整体框架，名为 InPer，通过训练中的因果干预和测试中的因果扰动来增强模型的通用性。具体而言，在训练阶段，我们采用基于熵的因果干预 (EnIn) 来细化因果变量的选择。为识别来自目标域具有反干扰因果变量的样本，我们提出了一种新型度量——通过因果扰动 (HoPer) 构建的“稳态得分”，以构建原型分类器用于测试时间。跨多个跨域任务的实验结果确认了 InPer 的有效性。
引用
@article{arxiv.2408.03608,
title = {Mixstyle-Entropy: Domain Generalization with Causal Intervention and Perturbation},
author = {Luyao Tang and Yuxuan Yuan and Chaoqi Chen and Xinghao Ding and Yue Huang},
journal= {arXiv preprint arXiv:2408.03608},
year = {2024}
}
备注
Accepted by BMVC2024