通过使用因果机制的图形知识，识别具有不稳定的统计影响路径的变量并将其从模型中删除，同时使用潜在反事实变量来隔离不稳定的统计影响路径，可以改进模型的泛化能力和可靠性。

Aug, 2018

我们研究了领域适应问题，该问题是由于未观察到的潜在变量分布改变所导致的分布偏移。我们的适应方法采用了近端因果学习，一种用于估计因果效应的技术，适用于存在未观察到的混淆变量代理的情况。我们证明了代理变量允许在不明确恢复或建模潜在变量的情况下适应分布偏移。我们考虑了两种情况：（i）概念瓶颈：观察到一个额外的 “概念” 变量，它介导了协变量和标签之间的关系；（ii）多领域：有来自多个源领域的训练数据，其中每个源领域对潜在混淆变量有不同的分布。我们在这两种情况下开发了一种两阶段核估计方法，以适应复杂的分布偏移。在我们的实验证明，我们的方法优于其他方法，尤其是那些明确恢复潜在混淆变量的方法。

Mar, 2024

基于领域偏移的普适分类器归纳问题几乎困难且复杂，本文通过引入三种不同的分布偏移（概念偏移、协变量偏移和依赖性偏移），提出了一种新颖的领域泛化方法，能够在不同领域中保持模型的准确性和公平性。实验结果表明，该方法在四个基准数据集上超越了现有的方法。

Nov, 2023

本文提出一种新颖的领域泛化方法，通过视觉对齐和基于不确定性引导的置信度集成 (VAUE) 来处理分布偏移，在 4 个广泛使用的数据集上展示了其卓越的性能。

Sep, 2022

本篇论文研究机器学习模型在不同测试分布的情况下表现不佳且过度估计它们的表现的问题，并提出一种基于领域不变性预测模型的方法来更好地估计模型在转移学习领域的性能，从而实现了领域自适应和对给定模型在分布转移情况下进行准确的目标误差估计，并可以用于模型选择、决定早期停机和错误检测。

Jul, 2020

本文提出了一种三步域混淆方法，通过基于频率和注意力规范的掩盖来遮蔽特定于域的线索，并揭示域泛化上下文，从而实现了领域反事实样本的生成，通过实验验证本方法在领域情感分类、对抗领域适应和多领域意图分类任务中的有效性。

May, 2023

提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

Sep, 2022

通过引入因果推断中的直接与间接效应的概念，该论文提出了一种两阶段算法以解决 out-of-distribution generalization 中的相关性偏移问题，改善了现有方法的泛化性能。

Nov, 2022

在机器翻译任务中，为了实现两种语言之间的双向翻译，常常使用源语料库作为目标语料库，这涉及到使用相反方向的两个模型进行训练。然而，不同因素会影响适应速度，包括原始分布和修改后分布之间的因果依赖关系。本文通过考察简单的结构性因果模型中的敏感变量作用，对两个模型在四种场景的适应速度进行对比，并证明了所有干预情况下两个模型适应速度之间的联系。

Aug, 2023

本研究探讨了基于域一般化的经验和认证鲁棒性之间的相互影响，并发现两种鲁棒性均适用于未知的数据域。同时我们也证明，在医学应用中，对抗性增强显著提高了鲁棒性的泛化能力，对数据准确性影响不大。

Sep, 2022