【ICML2022】基于元语义正则化的介入性对比学习

基于对比学习(CL)的自监督学习模型以成对的方式学习视觉表征。虽然目前流行的CL模型已经取得了很大的进展，但在本文中，我们发现了一个一直被忽视的现象:当用全图像训练CL模型时，在全图像中测试的性能比在前景区域测试的性能要好;当使用前景区域训练CL模型时，在完整图像中测试的性能比在前景区域测试的性能差。这一观察结果表明，图像中的背景可能会干扰模型学习的语义信息，其影响尚未完全消除。为了解决这个问题，我们建立了一个结构因果模型(SCM)，将背景建模为一个混淆剂。我们提出了一种基于后门调整的正则化方法，即基于元语义正则化的介入性对比学习(ICLMSR)，对所提出的供应链管理进行因果干预。ICL-MSR可以整合到任何现有的CL方法中，以减轻表征学习的背景干扰。从理论上证明了ICL-MSR具有更小的误差界。经验上，我们在多个基准数据集上的实验表明，ICL-MSR能够提高不同最先进的CL方法的性能。