高维观测下潜在子群偏移的预测
机器学习
2023-06-26 v1 机器学习
摘要
我们提出图模型中具有潜在偏移适应的预测新方法，即源环境与目标环境在未观测混淆潜在变量分布上不同。先前工作表明，只要在源环境中观测到具有适当依赖关系的“概念”变量与“代理”变量，便可识别潜在关联的分布变化，并准确适应目标预测。然而，当观测复杂且高维时，即便混淆潜在变量为类别型，实际估计方法也难以扩展。此处我们基于近期提出的概率无监督学习框架——识别参数化模型（RPM），从图像观测中恢复低维离散潜在变量。应用于潜在偏移问题，我们这种新型RPM在源环境中识别因果潜在结构，并恰当适应以在目标中预测。我们在预测变量与代理均为高维图像的设置中展示结果，此前方法无法在此情境下扩展。
引用
@article{arxiv.2306.13472,
title = {Prediction under Latent Subgroup Shifts with High-Dimensional Observations},
author = {William I. Walker and Arthur Gretton and Maneesh Sahani},
journal= {arXiv preprint arXiv:2306.13472},
year = {2023}
}