基于尺度不变信息瓶颈的域泛化方法：增强深度学习模型在分布外数据中的鲁棒性

这篇研究提出了一种创新的尺度不变信息瓶颈（Scale-invariant Information Bottleneck, SIB）方法，通过同时捕捉全局不变特征和尺度不变局部细节，结合信息瓶颈（IB）原理剔除虚假相关性，显著提升了深度学习模型在分布外（OOD）数据上的泛化能力。实验证明其在Rotated MNIST等6个数据集上平均性能超越14种现有方法4.74%，尤其对复杂图像细节的识别具有突破性意义。

　　

亮点

现有不变预测器（如IRM）过度依赖全局特征而忽略关键局部细节。本文提出：

1. 1.

   尺度不变预测器：自适应保留局部精细特征（如纹理）

2. 2.

   SIB框架：通过信息瓶颈（IB）过滤虚假特征，实现特征保留与冗余消除的平衡

3. 3.

   变分优化：推导出可计算的损失函数，解决传统方法的优化难题

结论与展望

SIB框架通过双路径架构同步捕获全局和局部特征，在PACS等数据集的跨域测试中表现卓越。未来将探索其在医学影像（如组织病理切片）的迁移学习应用，并开发动态尺度调节机制。

作者贡献声明

李梦瑶：概念设计/算法实现；张江山：课题指导/经费支持；张春霞：数据分析；刘军民：可视化；纪丽珍：论文润色

利益冲突声明

作者声明无潜在竞争利益

（注：翻译部分已按生命科学领域语境调整，例如将"Cartoon"译为"卡通图像域"，"variational inference"译为"变分推断"，并保留OOD、IB等专业术语缩写）