面向反因果域偏移的不变量与可迁移表示

现实世界的分类问题必须应对域偏移，即模型部署的域与收集训练数据的域之间（潜在的）不匹配。处理此类问题的方法必须明确哪些结构在域间是共同的、哪些是可变的。一个自然的假设是因果（结构）关系在所有域中是不变的。那么，很自然地想学习一个仅依赖于其因果父节点的标签 $Y$ 的预测器。然而，许多现实世界问题是“反因果”的，即 $Y$ 是协变量 $X$ 的原因——在这种情况下，$Y$ 没有因果父节点，朴素的因果不变性毫无用处。本文中，我们研究在特定域偏移概念下的表示学习，该概念既尊重因果不变性，又自然处理“反因果”结构。我们展示了如何利用域间共享的因果结构来学习一种表示，该表示既允许不变预测器，又允许在新域中快速适应。关键是将因果假设转化为分离“不变”与“非稳定”特征的学习原则。在合成和真实世界数据上的实验证明了所提出学习算法的有效性。代码见 https://github.com/ybjiaang/ACTIR。