用于无监督域适应的因果机制迁移
计算机视觉与模式识别
2021-07-29 v2
摘要
现有的无监督域适应（UDA）文献采用协变量偏移和条件偏移假设，这本质上鼓励模型学习跨域的共性特征。然而，由于目标域缺乏监督，它们遭受语义丢失问题：特征在源域中不可避免地丢失非判别性语义，而这些语义在目标域中却是判别性的。我们使用因果视角——可迁移性理论——来识别这种丢失实际上是一种混淆效应，只能通过因果干预来消除。然而，可迁移性提供的理论解决方案对于 UDA 而言远不够实用，因为它要求对导致域间隙的未观测混淆因子进行分层和表示。为此，我们提出了一种实用解决方案：因果机制迁移，通过使用以无监督方式发现的域不变解耦因果机制来识别混淆因子层和表示。我们的 TCM 具有理论和经验基础。大量实验表明，TCM 在三个具有挑战性的 UDA 基准上取得了 SOTA 性能：ImageCLEF-DA、Office-Home 和 VisDA-2017。代码可在附录中获取。
引用
@article{arxiv.2107.11055,
title = {Transporting Causal Mechanisms for Unsupervised Domain Adaptation},
author = {Zhongqi Yue and Qianru Sun and Xian-Sheng Hua and Hanwang Zhang},
journal= {arXiv preprint arXiv:2107.11055},
year = {2021}
}
备注
ICCV 2021 Oral