Environment-Adaptive Covariate Selection: Learning When to Use Spurious Correlations for Out-of-Distribution Prediction
环境自适应协变量选择：分布外预测中何时利用伪相关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：摘要主题是通用分布外预测与协变量选择，虽使用因果知识，但未估计因果效应，也未指定宏观或金融预测应用。
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…
关注这篇论文的作者
环境自适应协变量选择：分布外预测中何时利用伪相关
- 研究问题
- 仅观察到部分结果变量的因果父节点时，非因果变量何时能作为有用代理，如何根据具体环境变化选择预测所需的协变量？
- 方法与思路
- 作者利用无标签协变量分布的环境级摘要，学习从环境信息到协变量集合的映射，并允许人工或学习型摘要及因果知识约束。
- 材料陈述的贡献
- 摘要称，非因果代理变量的价值取决于环境变化；所提自适应选择方法在模拟和应用数据中优于静态因果、不变性等规则。
- 阅读关注点
- 核对环境摘要能识别哪些变化、选择规则如何训练及使用无标签数据，并检查代理关系稳定性、环境划分和分布外验证设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出理论保证与具体性能差异，实验优势不能推为任意环境下最优。
原文摘要
A common approach to out-of-distribution prediction restricts models to causal or invariant covariates to avoid spurious associations that may change across environments. Despite its theoretical appeal, this strategy can underperform empirical risk minimization when only a subset of the causal parents of the outcome is observed. In such settings, non-causal covariates can serve as proxies for unobserved causal parents and improve prediction when the proxy relationship is stable, but they can hurt when shifts disrupt that relationship. Thus, the optimal covariate set can depend on the specific shift encountered. Because different shifts leave signatures in the unlabeled covariate distribution, we propose an environment-adaptive covariate selection algorithm that maps environment-level summaries to environment-specific covariate sets. These summaries may be hand-crafted or learned from multi-environment data, and prior causal knowledge can be incorporated as constraints. Across simulations and applied datasets, the proposed method improves over static causal, invariant, and other non-adaptive rules under diverse shifts.