Learning When the Concept Shifts: Confounding, Invariance, and Dimension Reduction
概念发生漂移时的学习：混杂、不变性与降维AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦通用环境适应与表示学习，未明确对应所列宏观预测或经济结构估计方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
概念发生漂移时的学习：混杂、不变性与降维
- 研究问题
- 当未观测混杂引发环境间分布变化，甚至改变最优预测关系时，如何学习能改善目标环境预测的低维表示？
- 方法与思路
- 作者设定线性结构因果模型，在 Stiefel 流形上优化兼顾预测性与稳定性的非凸目标，学习不变子空间及预测模型。
- 材料陈述的贡献
- 摘要称，充分正则化下几乎所有局部最优解都与不变子空间对齐，并给出目标与来源环境风险差距的理论分析。
- 阅读关注点
- 应核对外生不变表示存在的条件、正则化要求、局部最优结论的精确定义，以及目标环境信息如何进入训练。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未说明分布变化的具体约束，不能推广为任意环境下的预测保证。
原文摘要
Practitioners often face the challenge of deploying prediction models in new environments with shifted distributions of covariates and responses. With observational data, such shifts are often driven by unobserved confounding, and can in fact alter the concept of which model is best. This paper studies distribution shifts in the domain adaptation problem with unobserved confounding. We postulate a linear structural causal model to account for endogeneity and unobserved confounding, and we leverage exogenous invariant covariate representations to cure concept shifts and improve target prediction. We propose a data-driven representation learning method that optimizes for a lower-dimensional linear subspace and a prediction model confined to that subspace. This method operates on a non-convex objective -- that interpolates between predictability and stability -- constrained to the Stiefel manifold, using an analog of projected gradient descent. We analyze the optimization landscape and prove that, provided sufficient regularization, nearly all local optima align with an invariant linear subspace resilient to distribution shifts. This method achieves a nearly ideal gap between target and source risk. We validate the method and theory with real-world data sets to illustrate the tradeoffs between predictability and stability.