DeconDTN-Toolkit：面向数据来源迁移鲁棒性评估与提升的库
机器学习
2026-05-13 v1
摘要
尽管关于分布迁移的研究工作日益增长，但数据来源迁移——即在部署时数据源与标签之间的关系发生变化——仍然鲜有人理解且未得到充分关注。本文在形式化地将数据来源迁移、反事实不变性与不变学习建立联系后，导出一种学习目标，以实现鲁棒性。随后我们引入textsc{DeconDTN-Toolkit}，这是一个专门用于评估和修复的套件，能够模拟不同程度的数据来源迁移，同时保持现有基准的训练协议和基础设施。我们揭示了经验风险最小化在数据来源迁移下的脆弱性，提出一种稳健的跨分布性能指标，并对现有算法进行了全面评估。我们的工作提供了必要的理论依据和实用工具，用于刻画数据来源导致的混淆问题，并实现了缓解该问题的方法。
引用
@article{arxiv.2605.11237,
title = {DeconDTN-Toolkit: A Library for Evaluation and Enhancement of Robustness to Provenance Shift},
author = {Yongsen Tan and Zhecheng Sheng and Xiruo Ding and Serguei V. S. Pakhomov and Trevor Cohen},
journal= {arXiv preprint arXiv:2605.11237},
year = {2026}
}
备注
Accepted to CHIL 2026