Robust Domain Generalisation with Causal Invariant Bayesian Neural Networks
利用因果不变贝叶斯神经网络实现稳健域泛化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：摘要明确讨论因果机制与因果干预推理，并据此构建域泛化方法。
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…
利用因果不变贝叶斯神经网络实现稳健域泛化
- 研究问题
- 当训练域与目标域分布不同、网络依赖域内虚假相关时，能否通过学习因果机制改善分布外图像识别表现？
- 方法与思路
- 作者提出贝叶斯神经网络架构，将数据分布学习与推断机制分离，并用理论分析和图像识别实验考察其干预推理能力。
- 材料陈述的贡献
- 摘要称模型近似因果干预下的推理，在所考察的分布外图像任务中优于点估计对应模型，但未给出具体提升幅度。
- 阅读关注点
- 应核对因果机制与不变性的形式定义、干预近似成立的条件，以及实验中的混杂构造、比较基线和不确定性评估。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实。摘要未说明因果识别条件或实验细节，不能把泛化表现视为因果有效性证明。
原文摘要
Deep neural networks can obtain impressive performance on various tasks under the assumption that their training domain is identical to their target domain. Performance can drop dramatically when this assumption does not hold. One explanation for this discrepancy is the presence of spurious domain-specific correlations in the training data that the network exploits. Causal mechanisms, in the other hand, can be made invariant under distribution changes as they allow disentangling the factors of distribution underlying the data generation. Yet, learning causal mechanisms to improve out-of-distribution generalisation remains an under-explored area. We propose a Bayesian neural architecture that disentangles the learning of the the data distribution from the inference process mechanisms. We show theoretically and experimentally that our model approximates reasoning under causal interventions. We demonstrate the performance of our method, outperforming point estimate-counterparts, on out-of-distribution image recognition tasks where the data distribution acts as strong adversarial confounders.