DIGIC：基于因果发现的领域泛化模仿学习
机器学习
2024-03-01 v1 人工智能
统计方法学
摘要
因果关系已与机器学习相结合，以产生用于领域泛化的鲁棒表示。现有的大多数此类方法需要来自多个领域的大量数据，通过跨领域变异来识别因果特征，这可能成本高昂甚至不可行，并且在某些情况下可能导致错误识别。在这项工作中，我们做出了一种不同的尝试，利用演示数据分布来发现领域泛化策略的因果特征。我们设计了一个名为DIGIC的新框架，通过因果发现从演示数据分布中找到专家动作的直接原因，从而识别因果特征。我们的框架可以仅使用单领域数据实现领域泛化模仿学习，并在底层因果模型的非结构假设下作为基于跨领域变异方法的补充。我们在各种控制任务中的实证研究表明，所提出的框架显著提高了领域泛化性能，同时在原始领域具有与专家相当的性能。
引用
@article{arxiv.2402.18910,
title = {DIGIC: Domain Generalizable Imitation Learning by Causal Discovery},
author = {Yang Chen and Yitao Liang and Zhouchen Lin},
journal= {arXiv preprint arXiv:2402.18910},
year = {2024}
}