Mixstyle-Entropy: Domain Generalization with Causal Intervention and Perturbation
Mixstyle-Entropy：结合因果干预与扰动的域泛化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦机器学习域泛化与分类器设计，未明确对应所列计量经济学细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
Mixstyle-Entropy：结合因果干预与扰动的域泛化
- 研究问题
- 当测试环境偏离训练环境时，如何通过训练与测试阶段的联合设计，改善深度网络在未知领域中的泛化表现？
- 方法与思路
- 摘要提出 InPer：训练时以熵驱动干预筛选因果变量，测试时通过扰动构造稳态评分，并据此建立原型分类器。
- 材料陈述的贡献
- 摘要称该框架在多个跨域任务中表现有效，其主要设计是把训练阶段的变量筛选与测试阶段的扰动评估结合起来。
- 阅读关注点
- 核对题名 Mixstyle-Entropy 与摘要中 InPer 的对应关系、因果变量定义，以及测试时使用目标域数据的方式和限制。
- 阅读边界
- 所据版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明因果识别依据、实验设置或具体提升幅度。
原文摘要
Despite the considerable advancements achieved by deep neural networks, their performance tends to degenerate when the test environment diverges from the training ones. Domain generalization (DG) solves this issue by learning representations independent of domain-related information, thus facilitating extrapolation to unseen environments. Existing approaches typically focus on formulating tailored training objectives to extract shared features from the source data. However, the disjointed training and testing procedures may compromise robustness, particularly in the face of unforeseen variations during deployment. In this paper, we propose a novel and holistic framework based on causality, named InPer, designed to enhance model generalization by incorporating causal intervention during training and causal perturbation during testing. Specifically, during the training phase, we employ entropy-based causal intervention (EnIn) to refine the selection of causal variables. To identify samples with anti-interference causal variables from the target domain, we propose a novel metric, homeostatic score, through causal perturbation (HoPer) to construct a prototype classifier in test time. Experimental results across multiple cross-domain tasks confirm the efficacy of InPer.