Feb, 2024

DIGIC：通过因果发现实现领域通用的模仿学习

PDF
TL;DR通过利用演示数据分布发现领域泛化策略的因果特征，我们设计了一个名为 DIGIC 的新框架，通过因果发现从演示数据分布中找到专家行为的直接原因，实现了只使用单一域数据进行领域泛化模仿学习，并且在底层因果模型的非结构化假设下作为跨域变化方法的补充，我们在各种控制任务中进行的实证研究表明，所提出的框架显著提高了领域泛化性能，并且与原始域中的专家具有可比较的性能。
causalitymachine learningdomain generalizationcausal featuresimitation learning
发现论文，激发创造
  • 因果启发式表示学习用于领域泛化

    本文提出了一种基于因果关系的结构性因果模型来解决域泛化问题，并基于此提出了一种 Causality Inspired Representation Learning （CIRL）算法，该算法通过计算需满足的三个基本属性来强制表示满足因果机制的性质，进而提升了广义性能力。实验结果表明，该方法有效。

    Mar, 2022

  • 通用策略的不变因果模仿学习

    基于多个环境中的行为演示来学习模仿策略，通过学习跨域不变的特征表示，构建与专家行为匹配的模仿策略，以实现在未见环境中的泛化能力。

    Nov, 2023

  • 因果灵感的隐变量增强单域泛化

    通过基于因果学习和干预的方法，我们提出了一种新颖的因果启发潜在特征增强方法，用于单域泛化，我们可以生成多样的隐式特征级变换，在潜在空间中更好地补偿对初始有限图像级变换的依赖，捕捉更稳定的领域不变因果特征以实现泛化。

    Jun, 2024

  • 通过不变特征表示的领域泛化

    本文介绍了一种基于核方法的算法 Domain-Invariant Component Analysis，通过最小化域间差异并保留输入输出间的功能关系，学习一个不变转换来实现从已知相关领域到未曾接触领域的知识迁移。学习理论分析表明，减少差异可以提高分类器在新领域上的期望泛化能力。实验结果表明，DICA 成功地学习了不变的特征并改善了分类器的性能。

    Jan, 2013

  • GCISG: 引导式因果不变学习以提高从合成到真实场景的泛化能力

    通过使用因果框架对数据生成进行表征，提出了因果不变性学习的方法，该方法有助于学习抗干扰风格变量的样式不变表示，从而提高了 syn-to-real 的泛化性能。此外，还提出了一种实用的特征蒸馏方法，可以避免遗忘真实领域的语义知识。该方法在图像分类和语义分割等任务上取得了最新的成果。

    Aug, 2022

  • 领域泛化的情节训练

    本文旨在解决域适应问题，提出训练方法和策略，包括将深度神经网络分为特征提取器和分类器、使用伙伴交互训练方法、训练新问题的稳健性特征。新方法在三个域泛化基准下表现出最先进的性能，还表明该方法有助于计算机视觉中的标准方法。

    Jan, 2019

  • 使用因果匹配进行域泛化

    本论文表明，领域泛化的目标不仅仅是考虑到类别标签，还包括特定因果特征，并提出了一种基于匹配的算法来实现该目标，该算法通过数据增强的方式观察基本对象并近似目标结果，结果表明该算法优于先前方法。

    Jun, 2020

  • 统一常用领域泛化方法的因果框架

    本研究提出了一种因果框架来研究领域泛化问题，希望通过对领域泛化的统一视角，帮助研究人员更好地理解其基本原理并发展出更有效的机器学习方法。

    Jul, 2023

  • 通过逻辑回归归因匹配实现对比领域泛化

    本文通过引入 Contrastive Domain Generalization（CDG）方法，探究以强对比数据对中的语义不变性来进行域泛化的方法，并提出了一种名为 Logit Attribution Matching（LAM）的正则化技术来实现 CDG，实验结果表明 LAM 的性能优于现有的 DG 方法，并帮助模型更好地聚焦于语义特征，这对于域泛化至关重要。

    May, 2023

  • 单域泛化的元因果学习

    本文提出了一种新的学习范式，即模拟 - 分析 - 减少，旨在模拟域漂移并减轻模型自适应过程中的域漂移，我们使用元因果学习方法来学习元知识，在测试期间使用元知识分析目标域和源域之间的偏移，并将因果推理纳入基于因素的域对齐中，实验证明了我们的方法在图像分类任务上的有效性。

    Apr, 2023