論文の概要: Partial Invariance for Classification under Structural Causal Models

• arxiv url: http://arxiv.org/abs/2611.02254v1
• Date: Sun, 01 Nov 2026 22:18:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:08:23.981255
• Title: Partial Invariance for Classification under Structural Causal Models
• Title（参考訳）: 構造因果モデルに基づく分類のための部分的不変性
• Abstract要約: ターゲット生成機構が環境によって異なる場合、目に見えない環境での予測は困難である。 本研究では,環境不変成分とラベル不変成分に対象条件分布を分解する部分的環境不変成分である環境-ラベル分離を導入する。 この部分的不変性は、ラベル付きトレーニングデータとラベル付きテスト特徴を用いた場合、未確認環境における目標条件分布の推定を可能にする。
• 参考スコア（独自算出の注目度）: 2.8241645653117042
• License:
• Abstract: Making predictions in an unseen environment from data collected across multiple training environments is challenging. This challenge is particularly pronounced when the target-generating mechanism varies across environments. In this work, we introduce environment-label separation, a form of partial environmental invariance that decomposes the target conditional distribution into an environment-invariant component and a label-invariant component. We show that this partial invariance enables estimation of the target conditional distribution in an unseen environment when using labeled training data together with unlabeled test features. Within the structural causal model framework, we provide sufficient conditions for environment-label separation. Building on these conditions, we develop an algorithm, dIMP-Classifier, which jointly minimizes an estimate of the test risk and encourages invariance across environments. We further provide finite-sample guarantees that characterize the test risk in terms of deviations from invariance, estimation error, and sample complexity. Experiments on simulated data and the real-world light tunnel Causal Chamber data demonstrate that the proposed approach can perform under interventions on the target mechanism and consistently outperforms the considered standard and invariance-based baselines.
• Abstract（参考訳）: 複数のトレーニング環境にまたがって収集されたデータから、目に見えない環境で予測するのは難しい。 この課題は、ターゲット生成機構が環境によって異なる場合、特に顕著である。 本研究では,環境-ラベル分離という,対象条件分布を環境-不変成分とラベル-不変成分に分解する部分的環境不変量の形式を紹介する。 この部分的不変性は、ラベル付きトレーニングデータとラベル付きテスト特徴を用いた場合、未確認環境における目標条件分布の推定を可能にする。 構造因果モデルフレームワーク内では,環境とラベルの分離に十分な条件が提供される。 これらの条件に基づいて,テストリスクの推定を最小化し,環境間の分散を促進するアルゴリズム,dIMP-Classifierを開発した。 さらに、不変性、推定誤差、サンプルの複雑さから逸脱するテストリスクを特徴付ける有限サンプル保証を提供する。 シミュレーションデータと実世界の光トンネルCausal Chamberデータを用いた実験は,提案手法が目標機構の介入の下で実行可能であることを示し,標準および不変ベースラインを一貫して上回ることを示した。

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)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Conformal Inference for Invariant Risk Minimization [12.049545417799125]
  機械学習モデルの応用は、分布シフトの発生によって著しく阻害される可能性がある。 この問題を解決する一つの方法は、不変リスク最小化(IRM)のような不変学習を用いて不変表現を取得することである。 本稿では,不変表現に対する不確実性推定を記述するために,分布自由予測領域を得る手法を提案する。
  論文  参考訳（メタデータ） (2023-05-22T03:48:38Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• 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)
• 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)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• 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)
• Balancing Fairness and Robustness via Partial Invariance [17.291131923335918]
  不変リスク最小化(IRM)は、アウト・オブ・ディストリビューション(OOD)問題を解決するための環境セットから不変機能を学ぶことを目的としている。 障害ケースを軽減するために、部分的な不変性フレームワークを議論する。 本研究は, 一定の条件下での公正性とリスクのトレードオフを軽減するため, 部分的不変リスク最小化が可能であることを示す。
  論文  参考訳（メタデータ） (2021-12-17T06:41:47Z)

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。