ترجمه فارسی مقاله آنتروپی ترکیبی: تعمیم دامنه با مداخله و اختلال علّی

چکیده

Despite the considerable advancements achieved by deep neural networks, their performance tends to degenerate when the test environment diverges from the training ones. Domain generalization (DG) solves this issue by learning representations independent of domain-related information, thus facilitating extrapolation to unseen environments. Existing approaches typically focus on formulating tailored training objectives to extract shared features from the source data. However, the disjointed training and testing procedures may compromise robustness, particularly in the face of unforeseen variations during deployment. In this paper, we propose a novel and holistic framework based on causality, named InPer, designed to enhance model generalization by incorporating causal intervention during training and causal perturbation during testing. Specifically, during the training phase, we employ entropy-based causal intervention (EnIn) to refine the selection of causal variables. To identify samples with anti-interference causal variables from the target domain, we propose a novel metric, homeostatic score, through causal perturbation (HoPer) to construct a prototype classifier in test time. Experimental results across multiple cross-domain tasks confirm the efficacy of InPer.

چکیده به فارسی (ترجمه ماشینی)

علیرغم پیشرفت های قابل توجهی که توسط شبکه های عصبی عمیق به دست آمده ، هنگامی که محیط آزمون از آموزش های آموزشی منحرف می شود ، عملکرد آنها منحرف می شود.تعمیم دامنه (DG) این موضوع را با یادگیری بازنمایی مستقل از اطلاعات مربوط به دامنه حل می کند ، بنابراین برون یابی را به محیط های غیب تسهیل می کند.رویکردهای موجود به طور معمول بر تدوین اهداف آموزش متناسب برای استخراج ویژگی های مشترک از داده های منبع متمرکز است.با این حال ، روشهای آموزش و آزمایش جدا نشده ممکن است استحکام را به ویژه در مواجهه با تغییرات پیش بینی نشده در هنگام استقرار ، به خطر بیاندازد.در این مقاله ، ما یک چارچوب جدید و جامع بر اساس علیت ، به نام Inper ، طراحی شده است تا با استفاده از مداخله علی در حین آموزش و آشفتگی علّی در طول آزمایش ، تعمیم مدل را تقویت کند.به طور خاص ، در مرحله آموزش ، ما از مداخله علّی مبتنی بر آنتروپی (ENIN) برای تصحیح انتخاب متغیرهای علی استفاده می کنیم.برای شناسایی نمونه هایی با متغیرهای علیت ضد مداخله از دامنه هدف ، ما یک متریک جدید ، نمره هوموستاتیک را از طریق آشفتگی علی (HOPER) برای ساخت طبقه بندی کننده نمونه اولیه در زمان آزمایش پیشنهاد می کنیم.نتایج تجربی در چندین کار متقابل دامنه ، اثربخشی اینپر را تأیید می کند.