PulseAugur
中
实时 13:49:49

新的因果框架CouCE可消除深度度量学习的偏差

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种新颖的因果框架CouCE，旨在通过解决零样本泛化问题来改进深度度量学习（DML）。该框架解决了两个主要的混淆因素：虚假的背景相关性和前景干扰扰动，而标准的DML目标通常无法将它们与因果相似性区分开来。CouCE采用特定的技术，即基于正交字典的后门调整（ODBA）和多尺度随机因果干预（MSRCI），来分离这些混淆因素。所提出的方法与现有的损失函数集成，并在CUB-200-2011、Cars-196和Stanford Online Products等基准数据集上取得了最先进的结果。 AI

影响 这项研究提供了一种原则性的方法来改善深度度量学习中的零样本泛化能力，有可能提高模型在面对虚假相关性和非语义变化时的鲁棒性。

排序理由 该集群包含一篇详细介绍深度度量学习新框架和方法的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的因果框架CouCE可消除深度度量学习的偏差

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Xin Yuan, Zhenyang Niu, Meiqi Wan, Huilin Zhu, Xin Xu, Kui Jiang ·

    CouCE：一个用于去偏见深度度量学习的统一因果框架

    arXiv:2606.30365v1 Announce Type: new Abstract: Deep Metric Learning (DML) often struggles with zero-shot generalization because standard objectives inherently capture what co-occurs rather than what causes similarity. Consequently, DML models are vulnerable to shortcut learning …

  2. arXiv cs.CV TIER_1 English(EN) · Kui Jiang ·

    CouCE：一种用于去偏见深度度量学习的统一因果框架

    Deep Metric Learning (DML) often struggles with zero-shot generalization because standard objectives inherently capture what co-occurs rather than what causes similarity. Consequently, DML models are vulnerable to shortcut learning driven by two structurally distinct confounders:…

相关实体

相关话题