光学混合筛选（OPS）结合自动显微镜和遗传紊乱以可扩展和低成本的方式系统地研究基因功能。我们采用样式转换方法从通过 OPS 获得的遗传扰动细胞图像中学习基因水平的特征表示。我们的方法在根据基因功能对基因表示进行聚类中优于广泛使用的工程特征，证明其用于发现潜在生物关系的实用性。该方法为探索基因在健康与疾病中的作用提供了有希望的替代方法。

Jun, 2024

针对存在样式分布偏移和虚假特征以及缺失域标签的超域泛化问题，本文提出了一种新的框架 IRSS，并通过引入对抗神经网络和多环境优化逐渐将样式分布和虚假特征从图像中分离，实现超域泛化。实验证明 IRSS 优于传统的超域方法，并解决了不变风险最小化（IRM）退化问题，从而实现了在分布迁移下提取不变特征。

Dec, 2023

介绍了一种学习鲁棒视觉表示的框架，该框架能够推广到新的视点、背景和场景环境，并利用干扰因素以制造人为干预特征，从而学习更加符合基础因果关系的鲁棒表示方法。实验证明，该方法提升了多个需要超出训练分布的数据集的性能，在从 ImageNet 到 ObjectNet 数据集进行无分布推广时展现出最先进的性能。

Dec, 2020

本研究提出了一种前门调整方法，利用因果图的角度对图像分类过程中的训练偏见问题进行了分析，并以此缓解了混淆特征导致的图像分类结果不稳定的问题。

Dec, 2022

该研究提出了一种方法，使用多个训练环境来生成不同干预的多个环境，并评估了基于模拟数据的不受监督的学习问题的 ICP 性能，最后与 ICP 相结合提出了改进的方法，提高了在具有多个协变量的数据集中进行因果发现的性能。

Apr, 2023

本文系统研究了 Vision Transformers 在分布偏移情况下的泛化问题，发现其在背景和纹理上学习的偏差较弱，而对形状和结构的归纳偏差较强，因此在分布偏移情况下，相对于卷积神经网络，具有更好的泛化性能，且使用相同数量的参数，其在大多数类型的分布偏移下，比相应的 CNN 模型高出 5% 以上的准确度。此外，作者还进一步提出了增强泛化性能的 GE-ViTs，其对超参数的敏感度高于相应的 CNN 模型，因此设计了更平滑的学习策略以优化 GE-ViTs 的性能。

Jun, 2021

研究发现神经网络训练过程中存在简单性偏差，该偏差导致其缺乏鲁棒性，但该问题可通过不同方式训练来缓解，其中包括使用梯度对齐的惩罚项进行训练，以及在独立的模型选择阶段解决信息不足问题，此方法在视觉识别上获得了最佳结果。

May, 2021

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

该研究提出了一种新的框架，Causality Inspired Invariant Graph LeArning (CIGA)，通过使用因果模型来确定图表上的潜在分布偏移，从而捕获图表的不变性，以在各种分布偏移下保证 OOD 泛化性能。

Feb, 2022

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