基于因果表示学习的领域泛化中的可迁移因果机制挖掘与推理研究综述.docVIP

基于因果表示学习的领域泛化中的可迁移因果机制挖掘与推理研究综述

一、研究背景与问题提出

随着深度学习技术在计算机视觉、自然语言处理、推荐系统等领域的广泛应用，模型在独立同分布（IID）假设下的性能已达到较高水平。然而在真实场景中，训练数据与测试数据往往存在分布偏移，即源域与目标域的数据分布存在差异，导致传统深度学习模型的泛化性能急剧下降。领域泛化（DomainGeneralization,DG）作为解决分布偏移问题的核心技术之一，旨在利用多个源域的数据学习具有跨域泛化能力的模型，使其能够直接在未见过的目标域上取得良好表现，无需依赖目标域的标注数据。

传统领域泛化方法大多基于统计关联的特征学习思路，通过对齐不同域的特征分布、学习域不变特征来提升跨域泛化能力。这类方法在假设分布偏移属于协变量偏移的场景下取得了一定效果，但当数据中存在混淆变量、选择偏差或反因果关联时，基于统计关联的特征容易捕捉到域特定的虚假关联，导致模型在目标域上出现性能崩塌。例如在医学影像诊断任务中，训练数据中的病灶区域可能与特定医院的设备成像噪声、患者年龄分布等伪特征存在统计关联，基于关联学习的模型会将这些伪特征作为判断依据，当应用到其他医院的影像数据时，由于噪声模式和患者分布发生变化，模型诊断准确率会大幅下降。

因果表示学习的兴起为解决上述问题提供了新的理论视角。因果机制作为数据生成过程中最稳定、最本质的关系，