首页 > 其他分享 >论文阅读-Causality Inspired Representation Learning for Domain Generalization

论文阅读-Causality Inspired Representation Learning for Domain Generalization

时间:2024-04-09 20:13:10浏览次数:25  
标签:Domain Causality Inspired Generalization 因果 Learning Representation causal CIRL

标题:Causality Inspired Representation Learning for Domain Generalization
会议:CVPR

统计学上的相关(stastistical dependence)不一定表示因果关系。CIRL 旨在挖掘内在的因果机制(intrinsic causal mechanism)。

名词解释

  • DG(Domain Generalization)域泛化
  • SCM(Structural Causal Model)结构化因果模型

因果图

因果图
输入X由两部分组成causal part: S, non-causal part: U,只有S能够因果地影响标签Y的预测。

从因果角度考虑域泛化问题

  1. Common Cause Principle: 如果 X 和 Y 统计学相关,则存在一个变量S,它因果地影响这两个变量,并在以S为条件时,X和Y独立。
  2. Independent Causal Mechanisms(ICM) Principle: 每个变量在给定其原因的情况下的条件分布(即它的机制)并不通知或影响其他机制。

文章用学习因果表示 (causal representation)代替直接重构因果因子(causal factor),并使得因果表示具有3个性质

  • 因果因素S能和非因果因素U分离
  • \(s_1, s_2, ... , s_n\)之间是相互独立,不含有彼此的信息
  • 因果因素S是足够用来预测Y标签的

因果启发的表示学习 (Causality Inspired Representation Learning)

因果表示算法(CIRL)由3个模块组成

  1. causal intervention module:通过 因果干预 (生成带有扰动的新数据)将 causal factor S 从 non-causal factor U 中分离出来
  2. causal factorization module:将S分解成一个个独立的\(s_i\)。令表示的每个维度联合独立,用来近似因果因子(to approximate causal factor)
  3. adversarial mask module:检测包含因果信息较少的维度,迫使它们学习更多的、更新的因果信息(采用对抗学习 包含掩码器和表示生成器(masker and representation generator))。确保因果充分性(causal sufficiency)。

CIRL framework

实验结果

表示重要性 (Representation Importance)

  • 利用分类器的第一层的权重来估计每个表示维度的重要性
  • 对每个维度上的权重都用(x − min)/(max − min)进行归一化

img

结果:MatchDG, CIRL 表示重要性的平均值大、标准差小,具有优越性。
原因:CIRL将能够真正影响分类的因果信息嵌入到了表示中

参数敏感性 (Parameter Sensitivity)

img
CIRL在超参数在较大的取值范围下都能取得有竞争性的表现,即, 5.0 ≤ τ ≤ 10.0 和 0.5 ≤ κ ≤ 0.6(无论是以ResNet-18 或 ResNet-50为基础),进一步证明了该方法的稳定性。

标签:Domain,Causality,Inspired,Generalization,因果,Learning,Representation,causal,CIRL
From: https://www.cnblogs.com/hifrank/p/18124681

相关文章

  • 论文阅读-Causality Inspired Framework for Model Interpretation
    标题:ACausalityInspiredFrameworkforModelInterpretation关键词:自然语言处理,因果推理,可解释机器学习论文链接:https://dl.acm.org/doi/pdf/10.1145/3580305.3599240会议:KDD1.简介解释(explanation)能否揭示模型表现的根本原因(rootcause)是XAI的重要问题。文章提出......
  • 论文解读(SGDA)《Semi-supervised Domain Adaptation in Graph Transfer Learning》
    Note:[wechat:Y466551|可加勿骚扰,付费咨询]论文信息论文标题:Semi-supervisedDomainAdaptationinGraphTransferLearning论文作者:论文来源:2024aRxiv论文地址:download 论文代码:download视屏讲解:click1-摘要作为图转移学习的一个特殊情况,图上的无监督域自适应的目......
  • 论文解读(CoCo)《CoCo: A Coupled Contrastive Framework for Unsupervised Domain Adap
    Note:[wechat:Y466551|可加勿骚扰,付费咨询]论文信息论文标题:CoCo:ACoupledContrastiveFrameworkforUnsupervisedDomainAdaptiveGraphClassification论文作者:XiaoShen、QuanyuDai、Fu-laiChung、WeiLu、Kup-SzeChoi论文来源:2023aRxiv论文地址:download 论文代......
  • Domain Agnostic Learning with Disentangled Representations
    DomainAgnosticLearningwithDisentangledRepresentations1.Introduction本文研究了领域不可知论学习(DAL),这是一个比较困难但实际的问题,即知识从一个标记的源领域转移到多个未标记的目标领域。领域不可知学习的主要挑战是:(1)目标数据具有混合的领域,这阻碍了主流特征对齐......
  • [论文阅读] Domain generalization by learning and removing domain-specific featur
    1Introduction最近的研究发现,DNNs倾向于以与人类不同的方式学习决策规则[17,21,16]。例如,在基于ImageNet的图像分类任务中,卷积神经网络(CNNs)倾向于学习局部纹理以区分对象,而我们人类则可能使用全局对象形状的知识作为线索。DNNs学到的特征可能只属于特定的领域,对其他领域不具......
  • 中断子系统(一)IRQ Domain
    前言在现代计算机系统中,中断模块的硬件越来越复杂,有可能有多个中断控制器(InterruptController,IC)之间进行级联从而拓展可以管理的中断源数量。这就会产生几个问题,每个IC上都连接着多个设备,IC会给irqline连接的每一个设备分配一个硬件中断请求号(HWinterruptnumber,hwirq),不同......
  • 论文解读(UDA-GCN)《Unsupervised Domain Adaptive Graph Convolutional Networks》
    Note:[wechat:Y466551|可加勿骚扰,付费咨询]论文信息论文标题:UnsupervisedDomainAdaptiveGraphConvolutionalNetworks论文作者:论文来源:2020aRxiv论文地址:download 论文代码:download视屏讲解:click1-摘要图卷积网络(GCNs)在许多与图相关的分析任务中都取得了令人印......
  • A LARGE LANGUAGE MODEL EVALUATION BENCHMARK AND BASELINE FOR CHINESE PUBLIC SECU
    本文是LLM系列文章,针对《CPSDBENCH:ALARGELANGUAGEMODELEVALUATIONBENCHMARKANDBASELINEFORCHINESEPUBLICSECURITYDOMAIN》的翻译。CPSDBENCH:中国公共安全领域的大型语言模型评估基准和基线摘要1引言2相关工作3方法4结果与分析5结论摘要大......
  • 关于衍射光波导设计中的K阈(k-domain)分析的一些学习
     对于衍射光波导的设计来说,不能简单利用几何光的方法对光线的传播路径进行描述。因此可以基于K空间波矢的矢量运算来进行描述。 在阈值分析中,衍射光波导的光线传播遵循二个引导条件,分别为全内反射条件和引导模式条件。如图所示。             ......
  • Windows 系统中进行一些域管理操作 net group /domain 命令 参数
    Windows系统中进行一些域管理操作。以下是一些常见的用法和参数:列出所有域用户组:bashCopyCodenetgroup/domain查看特定用户组的成员:bashCopyCodenetgroup"GroupName"/domain添加用户到指定用户组:bashCopyCodenetgroup"GroupName"UserName/add/domain......