基于不变风险最小化的领域泛化方法在图像分类中的鲁棒特征学习研究综述.docVIP

基于不变风险最小化的领域泛化方法在图像分类中的鲁棒特征学习研究综述

图像分类作为计算机视觉领域的基础任务，在人脸识别、自动驾驶、医疗影像分析等场景中已实现规模化应用，但现有深度学习模型的性能高度依赖训练数据与测试数据的独立同分布假设。当测试数据来自与训练数据不同的分布（即分布偏移）时，模型准确率往往出现断崖式下降，这一缺陷成为制约图像分类技术落地高可靠性场景的核心瓶颈。领域泛化（DomainGeneralization,DG）技术旨在通过多个源域数据训练模型，使其能够直接泛化到任意未知目标域，无需依赖目标域的标注或无标注数据，为解决分布偏移问题提供了可行路径。其中，不变风险最小化（InvariantRiskMinimization,IRM）作为领域泛化的代表性范式，通过学习跨域不变的因果特征替代传统的关联特征，能够有效规避虚假关联对模型决策的干扰，在鲁棒特征学习领域展现出突出优势，近年来相关研究成果呈现爆发式增长。

不变风险最小化的核心理论基础

不变风险最小化的核心假设是：数据中存在与任务标签存在因果关联的不变特征，这类特征在不同领域中保持稳定的关联关系，而虚假关联特征仅在部分领域与标签存在偶然相关性。传统经验风险最小化（EmpiricalRiskMinimization,ERM）会不加区分地拟合所有与标签相关的特征，当目标域中虚假关联的分布发生变化时，模型决策就会