在隐式迁移下使用不完美代理的鲁棒预测器点识别
机器学习
2026-03-17 v1
摘要
当分布迁移源自同时影响协变量和结果的隐性混杂因子时，解决 domain adaptation 问题变得更加困难。依赖代理的现有方法在解决隐式迁移时依赖强大的完整性假设以唯一确定 (point-identify) 鲁棒预测器。完整性要求代理对隐性混杂因子的变化具有充分的信息。对于不完美的代理，由混杂因子到代理分布空间的映射是非单射的，多个隐性混杂因子值可生成相同的代理分布。这会破坏完整性假设，观察数据与多个潜在预测器 (set-identified) 相容。为此，我们引入 latent equivalent classes (LECs)，定义为导致相同条件代理分布的隐性混杂因子组。我们表明，只要多个 domain 在如何将代理诱导的 LECs 混合以形成鲁棒预测器方面差异足够，鲁棒预测器的点识别仍可实现。这种 domain 多样性条件以 proxy 诱导的 LECs 的混合权重上的 cross-domain rank 条件形式化，这比完整性假设强弱得多。我们引入 Proximal Quasi-Bayesian Active learning (PQAL) 框架，主动查询满足此 rank 条件的最小 domain 子集。PQAL 可以高效恢复点识别的预测器，对各种程度的迁移具有鲁棒性，并在合成数据和半合成 dSprites 数据集上超越先前方法。
引用
@article{arxiv.2603.15158,
title = {Point-Identification of a Robust Predictor Under Latent Shift with Imperfect Proxies},
author = {Zahra Rahiminasab and Reza Soumi and Arto Klami and Samuel Kaski},
journal= {arXiv preprint arXiv:2603.15158},
year = {2026}
}