基于环境条件尾部重加权的总变差不变风险最小化
机器学习
2026-02-03 v2
摘要
在模型同时遇到跨环境的相关性偏移和由稀有或困难样本驱动的多样性偏移的情况下，分布外 (OOD) 一般化仍然具有挑战性。现有的不变风险最小化 (IRM) 方法主要解决环境层面的虚假关联，但常常忽视环境内部样本层面的异质性，这些异质性对 OOD 性能具有关键影响。本文提出一种基于环境条件尾部重加权的总变差不变风险最小化方法 (ECTR)，该方法通过将环境条件尾部重加权与 TV 基于不变学习相结合，以统一处理这两种分布偏移。通过将环境层面的不变性与环境内部的鲁棒性相集成，所提方法使这两种机制在混合分布偏移下互为补充。我们进一步将该框架扩展到无显式环境标注的情形，通过 minimax 形式推断潜在环境。跨回归、表格、时间序列和图像分类基准测试下的混合分布偏移实验表明，该方法在最坏环境和平均 OOD 性能方面均实现了持久的改进。
引用
@article{arxiv.2601.22944,
title = {Environment-Conditioned Tail Reweighting for Total Variation Invariant Risk Minimization},
author = {Yuanchao Wang and Zhao-Rong Lai and Tianqi Zhong and Fengnan Li},
journal= {arXiv preprint arXiv:2601.22944},
year = {2026}
}
备注
8 pages