利用 XRM 发现环境

环境标注对于许多分布外（OOD）泛化方法的成功至关重要。遗憾的是，这些标注获取成本高，且常受人类标注者偏见的限制。为实现鲁棒泛化，必须开发能在数据集中自动发现环境的算法。现有基于训练误差划分样本的方法存在一个根本问题：它们引入超参数与早停准则，而这需要一个带人工标注环境的验证集——恰是待发现的信息。本文提出交叉风险最小化（Cross-Risk-Minimization, XRM）以解决该问题。XRM 训练孪生网络，各自从训练数据的一半随机子集中学习，同时模仿其兄弟网络在留出样本上做出的高置信度错误。XRM 提供了超参数调优方案，无需早停，且能为所有训练与验证数据发现环境。基于 XRM 环境构建的算法达到了最优最差组准确率（oracle worst-group-accuracy），解决了 OOD 泛化中长期存在的挑战。代码见 \url{https://github.com/facebookresearch/XRM}。