面向推断时元素损坏的分布鲁棒集合表示学习
机器学习
2026-05-29 v1
摘要
标准的集合表示学习方法在精心准备好的数据上表现良好，但常常忽视推断时元素损坏的挑战。这指的是部署模型遇到的场景，其中包含元素级的退化，如异常值或缺失组件，可能扭曲集合表示并降低性能。我们提出了SW-DRSO，这是一个针对集合的分布鲁棒优化框架。与仅在观测到的训练数据上最小化损失不同，SW-DRSO优化了对一族可行推断时变体的 worst-case expected loss 的可计算替代品。我们引入一个重心 adversary，通过对单纯形权重的可微训练时优化来逼近对损坏集合的不可计算搜索。广泛的实验在四个任务上表明，SW-DRSO有效地提高了对损坏的鲁棒性，同时保持高的总体性能。
引用
@article{arxiv.2605.30089,
title = {Distributionally Robust Set Representation Learning Under Inference-Time Element Corruption},
author = {Yankai Chen and Hanrong Zhang and Bowei He and Philip S. Yu and Xue and Liu},
journal= {arXiv preprint arXiv:2605.30089},
year = {2026}
}
备注
Accepted by ICML'26