因果特征的预测因子不能很好地推广到新的领域
本研究考虑了在有因果关系的影响下,监督机器学习和深度学习算法能否在解释性和预测性之间实现平衡,并表明这种平衡可以通过紫珀(Pearl)的后门调整准则来实现。使用这种方法,不仅可以获得准确的预测,同时也可以大大提高模型的解释性和迁移性。
Jun, 2023
该论文提出一种学会学习的方法,通过学习辅助损失本身来提高模型的泛化能力,进而应用于领域推广的问题,包括传统领域推广和异构域推广。实验结果表明,该方法在两种情况下优于现有的解决方案。
Jan, 2019
本文从因果研究的角度出发,探讨了领域内数据缺失的问题,并提出用数据扩增方法进行干预,以此来解决数据的缺失问题。同时,本文通过理论和实证分析发现,相比其他数据扩增方法,干预模型的数据扩增方法能够更有效地提高模型的泛化性能。
May, 2020
本研究提出了一种针对领域间泛化问题的新方法,通过使用修改非因果特征但不改变因果特征的转换方式,从而获得跨领域的最优模型,并且该方法只需要一个单一领域的数据即可实现,在实验中证明了该方法的有效性。
Mar, 2022
研究域常规化问题及其解决方法,通过使用基于梯度的元训练和元测试过程,引入了两种补充损失来明确地规范特征空间的语义结构,从而取得了两个常见对象识别基准测试的最新效果。
Oct, 2019
机器学习模型用于预测人类决策结果的研究中,提出了一种贝叶斯模型,用于准确估计已测试和未测试患者的风险,并通过健康领域的普遍性约束和专业性约束改进了参数推断。
Dec, 2023
在给定描述不同领域 / 分布共享的数据生成过程的因果图的基础上,通过强制执行足够的图推断条件独立性可以确定领域通用(非虚假的)特征表示。针对标准的输入 - 输出预测设置,我们将文献中考虑的图集合分类为两个不同的组:(i)那些在训练领域中的经验风险最小化器给出领域通用表示和(ii)那些不给出的情况。对于后一种情况(ii),我们提出了一个新的具有正则化的框架,该框架在没有关于虚假特征的先验知识(或代理)的情况下证明了足够用于确定领域通用特征表示。在实证方面,我们的提出的方法在(半)合成和真实数据方面表现出色,优于其他最先进的方法的平均和最差领域转移准确性。
Apr, 2024