CFSM: Un nuevo módulo causal de selección de características para la generalización bidimensional fuera de...

Área de la Ciencia:

• Aprendizaje automático
• Inferencia causal
• Ciencias de la computación

Sus antecedentes:

• Los datos del mundo real a menudo exhiben cambios de dominio debido a entornos cambiantes y sesgos de selección, lo que desafía a los modelos de aprendizaje automático tradicionales.
• Los métodos existentes inspirados en la causalidad para la generalización fuera de distribución (OOD) pueden fallar con correlaciones espurias complejas, modelando inadecuadamente la intervención causal.
• Esta limitación requiere métodos mejorados para manejar variables de confusión en diversos conjuntos de datos.

Objetivo del estudio:

• Analizar las limitaciones de los métodos actuales en el modelado de la intervención causal para la generalización OOD.
• Proponer un enfoque modificado de intervención causal para mitigar varios tipos de confusores, incluidas las diferencias de dominio y las correlaciones espurias.
• Introducir un Módulo Causal de Selección de Características (CFSM) para una generalización OOD robusta.

Principales métodos:

• Desarrolló un enfoque modificado de intervención causal para abordar las limitaciones en la generalización OOD.
• Introdujo el Módulo Causal de Selección de Características (CFSM) para suprimir los pesos del modelo en características de diferencia de dominio y correlación espuria.
• Integró CFSM dentro de la arquitectura Base-In-Sample-Cross-Sample (B-I-C) para una neutralización integral de la confusión.

Principales resultados:

• El método CFSM propuesto logra teóricamente errores OOD estrictamente más bajos bajo supuestos leves.
• Los resultados experimentales en conjuntos de datos de referencia demuestran la efectividad del método CFSM.
• El método mejora significativamente la generalización OOD bidimensional al mitigar tanto las diferencias de dominio como las correlaciones espurias.

Conclusiones:

• El CFSM propuesto neutraliza eficazmente los efectos de confusión de las discrepancias de dominio y las distinciones de correlación.
• CFSM ofrece un avance significativo sobre los métodos de desconfusión anteriores al abordar correlaciones espurias difíciles de identificar.
• Este trabajo proporciona una solución sólida para mejorar la generalización del modelo en escenarios del mundo real fuera de distribución.