域泛化（CIRL）

Causality Inspired Representation Learning for Domain Generalization因果启发的域泛化表示学习

目录

Causality Inspired Representation Learning for Domain Generalization因果启发的域泛化表示学习

本文脑图

研究背景

域泛化

核心挑战

本文创新点

 结构因果模型（SCM）

因果启发的表征学习算法（CIRL）

实验

总结

---

 

本文脑图

研究背景

域泛化

域泛化本质上是一个分布外（out-of-distribution）问题，旨在将从多个源域中学习到的知识泛化到一个未见过的目标域。

核心挑战

1.分布外泛化的本质难题

目标域数据分布可能与源域显著不同（如风格、背景、视角变化），导致模型性能大幅下降。例如，图像分类中，模型可能依赖源域的统计关联（如 “长颈鹿总出现在草地上”），但目标域背景变化时，此类依赖会导致错误预测。

2.因果机制与统计依赖的割裂

数据与标签的统计依赖可能包含大量域相关的非因果因素（如 “手写风格”“图像背景”），而真正决定标签的是因果因素（如 “形状”“语义特征”）。传统方法仅建模统计依赖，未分离因果与非因果因素，导致泛化时受域变化干扰。

3.未观测因果因素的复杂性

因果因素通常不可直接观测，且需满足分离性（与非因果因素独立）、联合独立性（各维度无冗余）、因果充分性（包含所有分类所需信息）。现有方法缺乏对这些属性的显式建模，难以有效提取因果表示。

本文创新点