通过单细胞显微镜中干预式风格迁移实现分布外泛化
计算机视觉与模式识别
2023-06-22 v1 人工智能
机器学习
摘要
计算机视觉系统的实际部署,包括生物医学研究中的发现流程,需要对上下文干扰具有不变性且能泛化到新数据的因果表征。利用两个新型单细胞荧光显微镜数据集的内部重复结构,我们提出了普遍适用的测试,以评估模型在日益具挑战性的 OOD 泛化层级上学习因果表征的程度。我们表明,尽管基于其他既定指标的评估看似性能强劲,但无论是朴素基线还是为抵御混淆而设计的当代基线,在这些测试上均告失败。我们引入一种新方法——干预式风格迁移(IST),通过生成干预式训练分布来削弱生物原因与干扰间的虚假关联,从而大幅改善 OOD 泛化。我们公开了代码与数据集。
引用
@article{arxiv.2306.11890,
title = {Out of Distribution Generalization via Interventional Style Transfer in Single-Cell Microscopy},
author = {Wolfgang M. Pernice and Michael Doron and Alex Quach and Aditya Pratapa and Sultan Kenjeyev and Nicholas De Veaux and Michio Hirano and Juan C. Caicedo},
journal= {arXiv preprint arXiv:2306.11890},
year = {2023}
}
备注
Accepted at CVPR 2023 CVMI