基于因果表征学习的鲁棒分类研究综述.docVIP

基于因果表征学习的鲁棒分类研究综述

一、因果表征学习与鲁棒分类的核心关联

传统机器学习分类模型高度依赖独立同分布（IID）假设，即训练数据与测试数据服从相同的概率分布，当测试数据出现分布偏移、对抗扰动或域外样本时，模型性能会出现灾难性下降。这种脆弱性本质上源于模型学习到的是输入特征与标签之间的统计关联而非因果关系：虚假相关特征（如数据采集过程中的环境噪声、类间共享的冗余属性）会被模型纳入决策边界，而真正决定类别的核心因果特征反而被忽视。因果表征学习的核心目标是从高维观测数据中提取出具有因果不变性的特征表示，这类特征在不同分布、不同环境下均能保持与标签的稳定因果关联，恰好为解决分类模型的鲁棒性问题提供了根本性的理论框架。

与传统基于统计关联的特征学习不同，因果表征学习的核心优势体现在三个层面：其一，分布外泛化能力，因果特征的不变性使得模型在训练数据未覆盖的分布场景下仍能做出正确预测，无需针对每个新分布重新标注数据训练；其二，对抗鲁棒性，由于因果特征是决定类别的本质属性，微小的输入扰动难以改变因果特征的取值，从而大幅提升模型对对抗样本的抵御能力；其三，可解释性，因果表征天然具备语义可解释性，能够明确对应到分类任务中的核心属性，避免黑盒模型决策过程难以追溯的问题。

二、因果表征学习的主流技术路径

当前因果表征学习的技术体系主要围绕不变性学习、因果干预和反事实推理三大方向展开，不同路径分别