领域泛化的因果平衡
本研究提出了一种针对领域间泛化问题的新方法,通过使用修改非因果特征但不改变因果特征的转换方式,从而获得跨领域的最优模型,并且该方法只需要一个单一领域的数据即可实现,在实验中证明了该方法的有效性。
Mar, 2022
通过引入因果推断中的直接与间接效应的概念,该论文提出了一种两阶段算法以解决 out-of-distribution generalization 中的相关性偏移问题,改善了现有方法的泛化性能。
Nov, 2022
本文探讨了如何从多个数据集和关于基础数据生成模型的定性假设组合中学习出强健、通用的预测模型。通过定义不同的不变性特性,我们的方法旨在在未观察到混淆因素的情况下建立因果性的解,从而连接数据分布的一组仿射组合上的显式分布鲁棒优化问题。我们在医疗保健数据上展示了我们方法的实证表现。
Jul, 2020
本篇论文提出了一种基于模型的域泛化方法,通过对数据生成过程和同变性条件的建模,将域泛化问题转化为一个无限维的有约束统计学习问题,并利用非凸对偶理论发展了有约束松弛的统计问题,提出了具有收敛保证的域泛化算法,并在 ColoredMNIST,Camelyon17-WILDS,FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。
Feb, 2021
利用大型语言模型和文本到图像生成技术,我们介绍了一种领域外推方法,通过合成全新领域的高保真、逼真的图像来显著提高域泛化数据集的训练效果,实现了单一和多领域泛化任务上的显著改进,甚至在没有任何收集数据的条件下,超过了监督设置的表现。
Mar, 2024
通过因果关系分析揭示了图神经网络在节点分布迁移中一种存在于环境背景潜在混淆偏差,提出一种简明的、有原则性的方法通过因果推断来训练鲁棒的图神经网络,以抵消训练数据中的混淆偏差,并促进学习可泛化的预测关系。实验证明,该模型可以有效提高各类分布迁移情况下的泛化性能,在图的分布迁移基准测试中相比最先进方法最多提高 27.4% 的准确率。
Feb, 2024
将未标记的数据合并到半监督分类问题的一个新框架中,借助分布鲁棒优化 (Distributionally Robust Optimization) 和自我监督训练的组合,提供了新的错误界限以及将离域样本用于缩小泛化差距的方法。
Sep, 2023