因果感知信息瓶颈用于域适应
机器学习
2026-01-09 v1 人工智能
摘要
我们解决一个常见的因果系统中的 domain adaptation 设置。在此设置下，target 变量在 source domain 中被观察，但在 target domain 中完全缺失。我们的目标是从剩余观察变量中对 target domain 中的 target 变量进行插值，以应对各种 shift。我们将其表述为学习一个紧凑且 mechanism-stable 的表征。该表征保留预测 target 所需的相关信息，同时丢弃 spurious variation。对于线性高斯因果模型，我们推导出闭式 Gaussian 信息瓶颈 (GIB) 解。该解简化为 CCA 风格的投影，并提供 DAG 感知的选项。对于非线性或非高斯数据，我们引入 Variational 信息瓶颈 (VIB) 编码器-预测器。该方法可扩展到高维度，并可在 source 数据上训练，在 target domain 上零样本部署。跨 synthetic 和 real 数据集，我们的方法始终实现准确的插值，支持 high-dimensional 因果模型中的实际应用，为因果 domain adaptation 提供了统一、轻量级的工具包。
引用
@article{arxiv.2601.04361,
title = {Causally-Aware Information Bottleneck for Domain Adaptation},
author = {Mohammad Ali Javidian},
journal= {arXiv preprint arXiv:2601.04361},
year = {2026}
}
备注
An extended abstract version of this work was accepted for the Proceedings of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)