I-SPEC：一种用于学习可迁移、偏移稳定模型的端到端框架
机器学习
2020-02-21 v1 人工智能
机器学习
摘要
开发与部署之间环境的偏移导致经典监督学习产生的模型无法很好地泛化到新的目标分布。近来，许多寻找不变预测分布的解决方案被提出。其中，基于图的方法不需要来自目标环境的数据，并且能比寻找稳定特征集的替代方法捕获更稳定的信息。然而，这些方法假设数据生成过程以完整因果图的形式已知，而通常并非如此。在本文中，我们提出 I-SPEC，一种端到端框架，通过使用数据学习部分祖先图（PAG）来解决这一缺陷。利用 PAG，我们开发了一种算法，确定对所述偏移稳定的干预分布；这包含了寻找准确性较低的稳定特征集的现有方法。我们将 I-SPEC 应用于死亡率预测问题，表明其可以在不需要完整因果 DAG 先验知识的情况下学习对偏移鲁棒的模型。
引用
@article{arxiv.2002.08948,
title = {I-SPEC: An End-to-End Framework for Learning Transportable, Shift-Stable Models},
author = {Adarsh Subbaswamy and Suchi Saria},
journal= {arXiv preprint arXiv:2002.08948},
year = {2020}
}