العمومية المجالية باستخدام التوافق السببي

في أدبيات التعميم بين المجالات، الهدف الشائع هو تعلم تمثيلات مستقلة عن المجال بعد شرطها بـ علامة الفصل (class label). نوضح أن هذا الهدف غير كافٍ: هناك أمثلة معاكسة حيث يفشل النموذج في التعميم إلى مجالات غير مرئية حتى بعد تحقيق ثبات المجال الشرطي على الفصل (class-conditional domain invariance). نقوم بتصحيح هذه الملاحظة من خلال نموذج سببي هيكلي ونظهر أهمية نمذجة التباين داخل الفصول للعمومية. تحديداً، تحتوي الفصول على أشياء تحدد الخصائص السببية، ويمكن تفسير المجالات كتدخلات على هذه الأشياء التي تغير الخصائص غير السببية. نسلط الضوء على حالة بديلة: يجب أن يكون للإدخالات عبر المجالات نفس التمثيل إذا كانت مشتقة من نفس الشيء. بناءً على هذا الهدف، نقترح خوارزميات تعتمد على المطابقة عند ملاحظة الأشياء الأساسية (مثل، من خلال زيادة البيانات) وتقترب من الهدف عندما لا يتم ملاحظة الأشياء (MatchDG). خوارزمياتنا البسيطة المعتمدة على المطابقة تنافس الأعمال السابقة في دقة خارج المجال لقواعد بيانات MNIST الدوارة، Fashion-MNIST، PACS، وChest-Xray. كما أن طريقة MatchDG تستعيد مطابقات الأشياء الحقيقية: في MNIST وFashion-MNIST، تكون أفضل 10 مطابقات من MatchDG لديها أكثر من 50% تداخل مع المطابقات الحقيقية.注释：在翻译中，“class label”被译为“علامة الفصل”，“class-conditional domain invariance”被译为“ثبات المجال الشرطي على الفصل”。这些术语在阿拉伯语的科技文献中可能有不同的通用译法，建议根据具体领域的习惯进行调整。其他术语如“domain generalization”、“structural causal model”等都使用了较为通用的阿拉伯语翻译。