Meta-Causal Feature Learning for Out-of-Distribution Generalization

要約

因果推論は、不変の特徴を抽出することを目的とした分布外 (OOD) 一般化問題を処理するための強力なツールになりました。
ただし、従来の方法では、複数のデータ分割から因果的学習者を適用するため、不均衡なデータ分布から偏った表現学習が発生し、異種ソースからの不変の特徴学習が困難になる可能性があります。
これらの問題に対処するために、このホワイト ペーパーでは、バランス タスク生成モジュール (BTG) とメタ因果的特徴学習モジュール (MCFL) を含むバランス メタ因果学習器 (BMCL) を紹介します。
具体的には、BTG モジュールは、サンプル クラスとコンテキストの比率に制約がある自己学習型の分割アルゴリズムによって、バランスの取れたサブセットを生成することを学習します。
MCFL モジュールは、さまざまなディストリビューションに適応したメタ学習器をトレーニングします。
NICO++ データセットで実施された実験では、BMCL が分類のためにクラス不変の視覚領域を効果的に識別し、最先端の方法のパフォーマンスを向上させるための一般的なフレームワークとして機能する可能性があることが確認されました。

要約(オリジナル)

Causal inference has become a powerful tool to handle the out-of-distribution (OOD) generalization problem, which aims to extract the invariant features. However, conventional methods apply causal learners from multiple data splits, which may incur biased representation learning from imbalanced data distributions and difficulty in invariant feature learning from heterogeneous sources. To address these issues, this paper presents a balanced meta-causal learner (BMCL), which includes a balanced task generation module (BTG) and a meta-causal feature learning module (MCFL). Specifically, the BTG module learns to generate balanced subsets by a self-learned partitioning algorithm with constraints on the proportions of sample classes and contexts. The MCFL module trains a meta-learner adapted to different distributions. Experiments conducted on NICO++ dataset verified that BMCL effectively identifies the class-invariant visual regions for classification and may serve as a general framework to improve the performance of the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google