CFSM：二次元分布外汎化のための新しい因果特徴選択モジュール

科学分野:

• 機械学習
• 因果推論
• コンピュータサイエンス

背景:

• 現実世界のデータは、進化する環境や選択バイアスによりドメインシフトを示すことが多く、従来の機械学習モデルに課題を投げかけています。
• 分布外（OOD）汎化のための既存の因果関係に着想を得た方法は、複雑な偽相関では失敗する可能性があり、因果介入を不十分にモデル化しています。
• この限界は、多様なデータセットにおける交絡変数を処理するための改善された方法を必要とします。

主な方法:

• OOD汎化における限界に対処するために、修正された因果介入アプローチを開発しました。
• ドメインの違いと偽相関の特徴に対するモデルの重みを抑制するために、因果特徴選択モジュール（CFSM）を導入しました。
• 包括的な交絡中和のために、CFSMをベースインサンプルクロスサンプル（B-I-C）アーキテクチャに統合しました。

結論:

• 提案されたCFSMは、ドメインの不一致と相関の違いからの交絡効果を効果的に中和します。
• CFSMは、特定が困難な偽相問題に対処することにより、以前の脱交絡方法よりも大幅に進歩しています。
• この研究は、現実世界の分布外シナリオにおけるモデル汎化を強化するための堅牢なソリューションを提供します。