ドメイン汎化のためのスタイルバイアス脱離による因果推論

科学分野:

• コンピュータサイエンス
• 人工知能
• 機械学習

背景:

• ディープニューラルネットワーク（DNN）は、分布外データで課題に直面しており、実世界の視覚アプリケーションの信頼性を制限します。
• 既存のドメイン汎化手法は、スタイルの頻度の影響を無視することが多く、偽の相関と信頼性の低下につながります。

研究 の 目的:

• 画像モダリティにおけるドメイン汎化を強化するために、新しい因果推論ベースのフレームワークであるスタイル脱離因果学習（SDCL）を導入すること。
• スタイルを偽の相関を乗り越える偽の要因として扱い、偽の相関を乗り越える偽の相関の学習を改善すること。

主な方法:

• ドメイン汎化のための構造的因果モデル（SCM）を構築し、スタイルの影響のためのバックドア調整を適用します。
• スタイル分布の適応的クラスタリングのためのスタイルガイド付きエキスパートモジュール（SGEM）を設計します。
• 特徴抽出中の因果介入のためのバックドア因果学習モジュール（BDCL）を実装します。

主要な成果:

• SDCLフレームワークは、偽のスタイルを公平に統合することにより、スタイルバイアスを効果的に低減します。
• 実験により、マルチドメインおよびシングルドメインの汎化シナリオの両方で優れたパフォーマンスが実証されました。
• このアプローチは、多様な自然および医療画像認識タスク全体で有効性を示しています。

結論:

• SDCLは、スタイル偽の要因を明示的に処理することにより、DNNにおけるドメイン汎化を強化するための汎用性と効果的なソリューションを提供します。
• 因果推論ベースのアプローチは、ドメインシフトに直面した場合のモデルの堅牢性と信頼性を向上させます。