
nktoan/Causal-Inference-via-Style-Transfer-for-OOD-Generalisation
📄 論文nktoan
スタイル転送と因果推論を組み合わせ、OOD(分布外)汎化性能を向上させるKDD 2023採択フレームワーク。
「Causal-Inference-via-Style-Transfer-for-OOD-Generalisation」は、深層学習におけるドメイン汎化の根本的な課題に取り組むプロジェクトです。従来のモデルは学習データ内の偽の相関に依存しがちで、未知の分布(OOD)サンプルに対して性能が低下する問題がありました。本フレームワークは因果的な視点を導入し、スタイル転送メカニズムを利用して、ドメイン固有のノイズから因果因子を分離します。
技術的には、不変表現学習に焦点を当てています。スタイル転送を適用することで、様々なドメインシフトをシミュレートし、ニューラルネットワークがスタイルに関連する変動を無視して、データの根本的な因果構造に集中するように強制します。この手法は、医療画像診断、自動運転、複雑なセンサーデータ分析など、高い堅牢性が求められるタスクに特に有効です。リポジトリにはKDD 2023の研究成果を再現するためのPython実装が含まれており、研究者が既存の深層ニューラルネットワークアーキテクチャに因果推論を組み込み、汎化性能を向上させるためのモジュール式アプローチを提供しています。