反事实归一化：利用因果机制主动应对数据集偏移并提升可靠性

由于数据集偏移，预测模型可能无法从训练环境泛化到部署环境，这对模型可靠性以及实践中下游决策的安全性构成威胁。我们不使用来自目标分布的样本来被动纠正数据集偏移，而是利用预测问题中变量间因果机制的图模型知识，主动移除那些跨环境不泛化的关系，即使这些关系可能依赖于未观测变量（违反“无未观测混杂因子”假设）。为此，我们识别具有不稳定统计影响路径的变量并将其从模型中移除。我们还用隔离不稳定统计影响路径的潜反事实变量来增强因果图，使我们能够保留原本会被移除的稳定路径。我们的实验表明，移除易损变量并使用潜变量估计的模型迁移效果更好，尽管在训练域有一定精度损失，但在目标域常表现更优。