无混杂因素识别因果视觉特征学习
基于反事实分析的递归反事实消融模型 (RCD) 旨在解决传统图像识别方法中忽视混淆因素导致性能低下的问题,通过递归构建和更新图像特征、模型预测和混淆因素之间的关系,学习出更具有区分性的特征,从而提高模型的辨别能力和泛化能力。实验证明,在封闭集和开放集识别任务上,RCD 模型在大多数情况下显著优于 11 种最先进的基准模型。
Sep, 2023
本文提出了一种因果关系注意力模块,通过自我注释来识别难以预测的混淆变量,从而使深度学习模型更好地处理在分布不同的情况下仍具备鲁棒性的因果特征,不仅解决了监督注释需要高昂成本、混淆变量难以抽象提取等问题,并在相应实验中得到了卓越的结果。
Aug, 2021
本文介绍了一种被称为反事实知识蒸馏 (CFKD) 的新技术,通过人类专家反馈帮助检测和消除深度学习模型对混淆因素的依赖。该技术在受监管或安全关键领域有着重要作用,论文还展示了反事实解释相对于其他类型解释的优点,并提出了一个实验方案来定量评估 CFKD 的成功情况以及能够对模型提供反馈的不同教师。同时还引入了一个与真实测试性能更相关的新度量方式。通过在合成增强数据集和真实组织病理学数据集上进行的实验,论文证明了 CFKD 的有效性。
Oct, 2023
这篇论文通过引入共变量先验偏好,提出了一种名为 C-Disentanglement 的框架,用于识别因果生成因子,并在领域变化下取得了与各种 SOTA 基准方法相比具有竞争力的结果。
Oct, 2023
在机器学习中,当训练数据受到观测或未观测到的混淆影响时,生成的关系可能会与部署时相差较大。本文提出了一种基于因果生成过程的对抗性生成方法,以最小化生成因素之间的关联性,从而生成有效对抗性数据用于训练图像分类器,即使训练数据受到高度混淆的影响。
Oct, 2022
本文提出一种基于因果图和因果启发式学习的框架 (CILF) 来解决自动驾驶车辆轨迹预测中数据分布不匹配的问题,在常见数据集上实验表现良好。
Jul, 2023
在这项工作中,我们介绍了第一个端到端训练框架,该框架同时整合了(i)用于避免附着在假象相关性上的流行去偏置分类器(例如分布鲁棒优化(DRO))和(ii)用于揭示与任务相关的可推广成像标记的反事实图像生成。此外,我们提出了一种新的度量标准,即假象相关性附着分数(SCLS),用于量化分类器依赖假象相关性的程度,该程度由反事实图像揭示。通过对两个公共数据集进行全面实验(包括模拟和真实视觉伪迹),我们证明了去偏置方法:(i)能够学习到可推广的标记,并且(ii)成功忽略假象相关性,专注于潜在的疾病病理。
Aug, 2023
我们提出了一种新颖的变分学习模型 VLUCI,用于反事实推理中不可观测混淆因素的生成后验分布,通过解离可观测和不可观测混淆因素,VLUCI 构建了一个双重变分推理模型,以近似不可观测混淆因素的分布,从而用于推断更准确的反事实结果。对合成和半合成数据集的广泛实验证明了 VLUCI 在推断不可观测混淆因素方面的卓越性能,它与先进的反事实推理模型兼容,在团体和个体层面显著提高推断准确性。此外,VLUCI 为反事实结果提供置信区间,有助于风险敏感领域的决策。我们进一步阐明了在公开 IHDP 数据集上应用 VLUCI 时需要考虑的问题,突出了 VLUCI 的实际优势。
Aug, 2023
本研究提出了利用反事实数据扩充改善机器学习模型中混淆偏差的方法,并探讨了混淆偏差如何影响下游分类器以及基于反事实数据增强的解决方案。另外,我们还介绍了一种生成反事实图片的算法,并在 MNIST 变量和 CelebA 数据集上进行实验,证明了我们的方法的有效性和实用性。
May, 2023