可扩展的因果域适应
机器学习
2021-12-08 v3 人工智能
机器学习
摘要
迁移学习中最关键的问题之一是域适应任务，其目标是将一个或多个源域上训练的算法应用于不同的（但相关的）目标域。本文研究在存在协变量偏移且域间存在不变性的情况下的域适应。现有因果推断方法解决该问题的主要局限之一是可扩展性。为克服这一困难，我们提出 SCTL，一种避免穷举搜索并基于马尔可夫毯发现来识别源域与目标域间不变因果特征的算法。SCTL 不需要事先知道因果结构、干预类型或干预目标。SCTL 具有内在的局部性，使其在实际中可扩展且鲁棒，因为局部因果发现增强了计算独立性检验的功效，并使域适应任务在计算上可行。我们使用低维和高维设置下的合成与真实数据集展示了 SCTL 在域适应中的可扩展性与鲁棒性。
引用
@article{arxiv.2103.00139,
title = {Scalable Causal Domain Adaptation},
author = {Mohammad Ali Javidian and Om Pandey and Pooyan Jamshidi},
journal= {arXiv preprint arXiv:2103.00139},
year = {2021}
}