因果推论已成为处理分布外(OOD)概括问题的强大工具,该问题旨在提取不变特征。但是,常规方法从多个数据拆分中应用因果学习者,这可能会从数据分布中产生偏见的表示学习,并且在异质源中不变特征学习中的难度。为了解决这些问题,本文介绍了平衡的元考生学习者(BMCL),其中包括平衡的任务生成模块(BTG)和元伴侣特征学习模块(MCFL)。具体而言,BTG模块学会通过一种自我学习的分区算法来生成平衡子集,该算法对示例类和上下文的比例有限制。 MCFL模块训练一个适合不同分布的元学习者。在NICO ++数据集上进行的实验验证了BMCL有效地标识了类不变的视觉区域进行分类,并可以作为改善最先进方法的性能的一般框架。
translated by 谷歌翻译