nktoan/Causal-Inference-via-Style-Transfer-for-OOD-Generalisation
📄 论文nktoan
KDD 2023 框架：利用风格迁移与因果推理提升模型在分布外（OOD）场景的泛化能力。
Causal-Inference-via-Style-Transfer-for-OOD-Generalisation 项目致力于解决深度学习中领域泛化的核心挑战。传统模型往往过度依赖训练数据中的虚假相关性，导致在测试分布外（OOD）样本时性能显著下降。该框架引入了因果视角，利用风格迁移机制将因果因子与领域特定的噪声解耦。
在技术层面，该方法专注于不变表征学习。通过应用风格迁移，模型能够模拟各种领域偏移，强制神经网络忽略与风格相关的变化，从而专注于数据的底层因果结构。这种方法对于医疗影像、自动驾驶或复杂传感器数据分析等需要极高鲁棒性的任务尤为有效。该仓库包含了复现 KDD 2023 研究成果所需的 Python 实现，为研究人员提供了一种模块化的方式，将因果推理集成到现有的深度神经网络架构中，以提升模型的泛化性能。