論文の概要: Anti-causal domain generalization: Leveraging unlabeled data

• arxiv url: http://arxiv.org/abs/2602.17187v1
• Date: Thu, 19 Feb 2026 09:13:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.89163
• Title: Anti-causal domain generalization: Leveraging unlabeled data
• Title（参考訳）: 反因果領域の一般化:ラベルなしデータの活用
• Authors: Sorawit Saengkyongam, Juan L. Gamella, Andrew C. Miller, Jonas Peters, Nicolai Meinshausen, Christina Heinze-Deml,
• Abstract要約: 既存の方法は、通常、複数のトレーニング環境からのラベル付きデータを必要とする。 反因果関係における領域一般化について検討する。 平均および共分散の変動に対するモデルの感度をペナルティ化する2つの手法を提案する。
• 参考スコア（独自算出の注目度）: 9.670511796477852
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The problem of domain generalization concerns learning predictive models that are robust to distribution shifts when deployed in new, previously unseen environments. Existing methods typically require labeled data from multiple training environments, limiting their applicability when labeled data are scarce. In this work, we study domain generalization in an anti-causal setting, where the outcome causes the observed covariates. Under this structure, environment perturbations that affect the covariates do not propagate to the outcome, which motivates regularizing the model's sensitivity to these perturbations. Crucially, estimating these perturbation directions does not require labels, enabling us to leverage unlabeled data from multiple environments. We propose two methods that penalize the model's sensitivity to variations in the mean and covariance of the covariates across environments, respectively, and prove that these methods have worst-case optimality guarantees under certain classes of environments. Finally, we demonstrate the empirical performance of our approach on a controlled physical system and a physiological signal dataset.
• Abstract（参考訳）: ドメイン一般化の問題は、新しい、以前は目に見えない環境にデプロイされたときに、分散シフトに対して堅牢な予測モデルを学ぶことに関するものである。 既存の方法は、通常、複数のトレーニング環境からのラベル付きデータを必要とし、ラベル付きデータが不足している場合に適用性を制限する。 本研究では,反因果関係における領域一般化について検討し,結果が観察された共変量の原因となる。 この構造の下では、共変量に影響を与える環境摂動は結果に伝播せず、これらの摂動に対するモデルの感度を規則化する動機となる。 重要なことは、これらの摂動方向を推定することはラベルを必要としないため、複数の環境からラベル付けされていないデータを活用できる。 本研究では,環境間の共変量の平均および共変量の変動に対するモデルの感度をペナルティ化する2つの手法を提案し,これらの手法が環境の特定のクラスにおいて最悪の最適性を保証することを証明した。 最後に、制御された物理システムと生理学的信号データセットに対するアプローチの実証的な性能を実証する。

関連論文リスト

• Multi-environment Invariance Learning with Missing Data [0.0]
  本研究では、変数選択特性と$ell$エラー収束率に関する漸近的でない保証を確立する。 シミュレーションにより新しい推定器の性能を評価し,その応用をUCI Bike Sharingデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2026-01-12T06:30:58Z)
• Environment-Adaptive Covariate Selection: Learning When to Use Spurious Correlations for Out-of-Distribution Prediction [33.69413571438309]
  結果の真の原因のサブセットのみを観測した場合に,アウト・オブ・ディストリビューション予測が失敗することを示す。 環境適応型共変量選択アルゴリズムを提案する。 EACSは、様々な分布シフトの下で静的因果、不変、およびERMベースの予測器を一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-05T18:13:02Z)
• Unsupervised Invariant Risk Minimization [7.903539618132858]
  Emphinvariant Risk Minimization (IRM) のための新しい教師なしフレームワークを提案する。 従来のIRM法は、環境間の分散シフトに対して堅牢な表現を学ぶためにラベル付きデータに依存していた。 本フレームワークでは, ガウス的仮定の下で不変方向を抽出する線形手法である主不変成分分析(PICA)と, 環境不変要因と環境依存要因を混同する深部生成モデルである変動不変自己エンコーダ(VIAE)の2つの手法を紹介する。
  論文  参考訳（メタデータ） (2025-05-18T17:54:23Z)
• Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies [7.021105583098609]
  近年のアプローチでは、通常のサンプルから合成異常を生成するためにドメイン固有の変換や摂動を活用することに重点を置いている。 そこで本研究では,条件付き摂動器と判別器を併用したドメインに依存しない新しい手法を提案する。 我々は,最先端のベンチマークよりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T08:15:23Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
  局所変換近傍における分類器の出力不変性の尺度を提案する。 私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。 画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
  論文  参考訳（メタデータ） (2022-07-05T14:55:16Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。