Generalized Invariant Matching Property via LASSO
通过 LASSO 推广不变匹配性质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：摘要主要研究通用分布变化学习；虽使用结构因果模型，但未明确因果效应估计或其他所列细分任务。
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…
通过 LASSO 推广不变匹配性质
- 研究问题
- 当分布变化来自对响应变量本身的干预、常规不变性原则不再成立时，如何利用高维稀疏结构构造有效的学习方法？
- 方法与思路
- 作者针对仅目标变量受干预的情景，将不变匹配性质推广到具有内在稀疏性的高维问题，并采用一种 LASSO 变体设计算法。
- 材料陈述的贡献
- 摘要称推广了不变匹配性质，提出比现有算法更稳健且计算更高效的方法，但未说明稳健性的定义或具体比较证据。
- 阅读关注点
- 应核对仅目标受干预的结构模型限制、稀疏性条件和推广性质的形式定义，并检查算法保证及稳健性和计算效率的比较标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明干预类型、理论条件和数值结果，不能确认一般分布变化下的优势。
原文摘要
Learning under distribution shifts is a challenging task. One principled approach is to exploit the invariance principle via the structural causal models. However, the invariance principle is violated when the response is intervened, making it a difficult setting. In a recent work, the invariant matching property has been developed to shed light on this scenario and shows promising performance. In this work, by formulating a high-dimensional problem with intrinsic sparsity, we generalize the invariant matching property for an important setting when only the target is intervened. We propose a more robust and computation-efficient algorithm by leveraging a variant of Lasso, improving upon the existing algorithms.