域泛化中未观测混杂因素的考量
机器学习
2022-02-04 v6 机器学习
摘要
本文研究从多个数据集组合及关于底层数据生成模型的定性假设中学习鲁棒、可泛化预测模型的问题。学习鲁棒模型的部分挑战在于未观测混杂因素的影响，其使得当前用于该问题的诸多不变性与最小误差原理失效。我们的方法是定义存在未观测混杂因素时因果解的一种不同不变性性质，并通过该不变性的松弛，将其与一组数据分布仿射组合集上的显式分布鲁棒优化问题相联系。具体而言，我们的目标函数由一个标准损失加上一个鼓励关于模型参数的误差导数部分相等的正则项构成。我们在来自不同模态（包括图像、语音与表格数据）的医疗数据上展示了方法的经验性能。
引用
@article{arxiv.2007.10653,
title = {Accounting for Unobserved Confounding in Domain Generalization},
author = {Alexis Bellot and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2007.10653},
year = {2022}
}