論文の概要: Robust Representation Learning through Explicit Environment Modeling

• arxiv url: http://arxiv.org/abs/2604.26128v1
• Date: Tue, 28 Apr 2026 21:36:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.174992
• Title: Robust Representation Learning through Explicit Environment Modeling
• Title（参考訳）: 明示的環境モデリングによるロバスト表現学習
• Authors: Yuli Slavutsky, David M. Blei,
• Abstract要約: 複数の環境にまたがって収集されたラベル付きデータから学習することを考える。 環境間の変動を明示的にモデル化し,その変動を疎外することによって学習した表現について検討する。 これらのモデルは、様々な困難な設定において不変な学習方法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 20.167786881625698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider learning from labeled data collected across multiple environments, where the data distribution may vary across these environments. This problem is commonly approached from a causal perspective, seeking invariant representations that retain causal factors while discarding spurious ones. However, this framework assumes that the environment has no direct effect on the target. In contrast, we consider settings in which this assumption fails, but still aim to learn representations that support robust prediction on average across previously unseen environments. To this end, we study representations learned by explicitly modeling variation across environments and then marginalizing that variation out. We analyze the resulting representations and characterize when they are preferable to those learned by causal invariant-representation methods. We propose a concrete method based on generalized random-intercept models, a class of predictors in which such marginalization is possible, and study their generalization properties. Empirically, we show that these models outperform invariant-learning methods across a range of challenging settings.
• Abstract（参考訳）: 複数の環境にまたがって収集されたラベル付きデータから学習することを考える。 この問題は、因果的視点から一般的にアプローチされ、因果的要因を保持しつつ、素因果的要素を捨てる不変表現を求める。 しかし、このフレームワークは環境がターゲットに直接影響しないと仮定する。 対照的に、我々は、この仮定が失敗する設定について検討するが、これまで見られなかった環境において、平均的に堅牢な予測をサポートする表現を学習することを目的としている。 この目的のために,環境間の変動を明示的にモデル化し,その変動を疎外することで学習した表現について検討する。 結果の表現を分析し,因果不変表現法で学習した表現に好適な場合を特徴付ける。 一般化されたランダム・インターセプタモデルに基づく具体的な手法を提案し,その一般化特性について検討する。 経験的に、これらのモデルは、様々な困難な設定において不変学習法よりも優れていることを示す。

関連論文リスト

• Anti-causal domain generalization: Leveraging unlabeled data [9.670511796477852]
  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。
  論文  参考訳（メタデータ） (2026-02-19T09:13:42Z)
• Decorr: Environment Partitioning for Invariant Learning and OOD Generalization [10.799855921851332]
  不変学習手法は、複数の環境にまたがる一貫した予測器を特定することを目的としている。 データに固有の環境がなければ、実践者はそれらを手動で定義しなければならない。 この環境分割は不変学習の有効性に影響を及ぼすが、いまだ過小評価されていない。 本稿では,低相関データサブセットを分離することで,データセットを複数の環境に分割することを提案する。
  論文  参考訳（メタデータ） (2022-11-18T06:49:35Z)
• Learning Invariant Representations under General Interventions on the Response [2.725698729450241]
  線形構造因果モデル(SCM)に着目し、不変整合性(IMP)を導入する。 離散環境と連続環境の両方において,本手法の一般化誤差を解析する。
  論文  参考訳（メタデータ） (2022-08-22T03:09:17Z)
• 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)
• ZIN: When and How to Learn Invariance by Environment Inference? [24.191152823045385]
  環境分割に基づく頑健で不変なモデルを学ぶための不変学習法が提案されている。 この状況下での学習の不変性は、帰納的バイアスや追加情報なしでは基本的に不可能であることを示す。 本稿では,環境分割と不変表現を協調的に学習するフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-11T10:00:33Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Learning Disentangled Representations with Latent Variation Predictability [102.4163768995288]
  本稿では,潜在不整合表現の変動予測可能性について述べる。 逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。 本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
  論文  参考訳（メタデータ） (2020-07-25T08:54:26Z)
• 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)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。