利用环路极性分析避免深度学习中的欠规范问题

深度学习是一套用于检测数据中复杂模式的强大技术。然而，当数据生成过程的因果结构欠规范时，深度学习模型可能脆弱，缺乏对数据生成过程分布偏移的鲁棒性。在本文中，我们转向环路极性分析，将其作为规范数据生成过程因果结构的工具，以便在深度学习流水线中编码对系统结构与系统行为之间关系的更鲁棒理解。我们使用基于SIR模型的模拟疫情数据来演示，测量组成系统的不同反馈环路的极性如何能使神经网络得出更鲁棒的推断，改善深度学习模型的分布外性能，并将系统动力学启发的方法注入机器学习开发流水线。