Inferencia Causal Mediante Desconfusión de Estilo para Generalización de Dominio

Área de la Ciencia:

• Informática
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• Las redes neuronales profundas (DNN) enfrentan desafíos con datos fuera de distribución, lo que limita la fiabilidad de las aplicaciones visuales en el mundo real.
• Los métodos existentes de generalización de dominio a menudo descuidan el impacto de la frecuencia del estilo, lo que lleva a correlaciones espurias y una menor fiabilidad de la inferencia.

Objetivo del estudio:

• Introducir un marco novedoso basado en inferencia causal, Aprendizaje Causal de Desconfusión de Estilo (SDCL), para mejorar la generalización de dominio en modalidades de imagen.
• Abordar el estilo como un factor de confusión, mejorando el aprendizaje de representaciones causales sobre correlaciones espurias.

Principales métodos:

• Construcción de un modelo causal estructural (SCM) para la generalización de dominio y aplicación del ajuste de puerta trasera para la influencia del estilo.
• Diseño de un módulo experto guiado por estilo (SGEM) para la agrupación adaptativa de distribuciones de estilo.
• Implementación de un módulo de aprendizaje causal de puerta trasera (BDCL) para intervenciones causales durante la extracción de características.

Principales resultados:

• El marco SDCL reduce eficazmente el sesgo de estilo garantizando la integración justa de los estilos confusos.
• Los experimentos demuestran un rendimiento superior tanto en escenarios de generalización mult Dominio como de Dominio único.
• El enfoque muestra eficacia en diversas tareas de reconocimiento de imágenes naturales y médicas.

Conclusiones:

• SDCL ofrece una solución versátil y eficaz para mejorar la generalización de dominio en DNN al abordar explícitamente los factores de confusión de estilo.
• El enfoque basado en inferencia causal mejora la robustez y fiabilidad del modelo cuando se enfrenta a cambios de dominio.