通过因果正则化实现多变量分析的分布外鲁棒性

我们提出了一种基于因果关系的经典机器学习算法正则化策略，确保对分布偏移的鲁棒性。基于锚点回归框架，我们展示了如何将简单的正则化项纳入经典多变量分析算法（如（正交归一化）偏最小二乘、降秩回归和多元线性回归）的损失函数中，从而实现分布外泛化。我们的框架允许用户高效地验证损失函数与正则化策略的兼容性。提供了选定算法的估计量，在合成和真实世界的气候科学问题中展示了一致性和有效性。实证验证突出了锚点正则化的多功能性，强调了其与多变量分析方法的兼容性，以及在增强可重复性的同时防范分布偏移的作用。扩展的锚点框架推进了因果推断方法论，满足了可靠分布外泛化的需求。