欺骗性风险最小化：通过欺骗分布偏移检测器实现分布外泛化
机器学习
2025-09-16 v1 人工智能
机器人学
摘要
本文提出欺骗作为一种分布外（OOD）泛化机制：通过学习使训练数据对观察者而言呈现独立同分布（iid）的数据表示，我们可以识别消除虚假相关并泛化到未见领域的稳定特征。我们将此原则称为欺骗性风险最小化（DRM），并用一个实用的可微分目标实例化该原则，该目标同时学习从基于共形鞅的检测器视角消除分布偏移的特征，同时最小化特定任务的损失。与领域自适应或先前的不变表示学习方法不同，DRM不需要访问测试数据，也不需要将训练数据划分为有限数量的数据生成领域。我们在概念偏移的数值实验和机器人部署环境中协变量偏移的模拟模仿学习设置中验证了DRM的有效性。
引用
@article{arxiv.2509.12081,
title = {Deceptive Risk Minimization: Out-of-Distribution Generalization by Deceiving Distribution Shift Detectors},
author = {Anirudha Majumdar},
journal= {arXiv preprint arXiv:2509.12081},
year = {2025}
}