Causal Regularization: On the trade-off between in-sample risk and out-of-sample risk guarantees
因果正则化：样本内风险与样本外风险保证的权衡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：摘要以因果关系的跨环境稳定性和类因果模型识别为方法基础，因此选择因果推断方向。
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…
关注这篇论文的作者
因果正则化：样本内风险与样本外风险保证的权衡
- 研究问题
- 如何从样本内数据识别具有样本外风险保证的类因果预测模型，并平衡训练风险、跨环境稳定性与有限样本识别能力？
- 方法与思路
- 作者提出因果正则化，在总体层面分析正则强度与风险稳定性的关系，并用交叉验证选择有限样本中的正则化程度。
- 材料陈述的贡献
- 摘要称更强正则化提高总体风险稳定性但增加样本内风险，并指出有限数据会限制高保证模型的识别，形成进一步权衡。
- 阅读关注点
- 应核对允许的环境变化、类因果模型的定义、风险保证所需假设，以及交叉验证如何对应目标样本外风险。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明环境变化的范围，不能据此推断对任意分布变化均有保证。
原文摘要
Invariant prediction uses the prediction stability of causal relationships across different environments to identify causal variables. Conversely, using causal variables gives prediction guarantees even in out-of-sample data settings. In this paper, we investigate the identification of causal-like models from in-sample data that ensure out-of-sample risk guarantees when predicting a target variable from an arbitrary set of covariates. Ordinary least squares minimizes in-sample risk but offers limited out-of-sample guarantees, while causal models optimize out-of-sample guarantees at the expense of in-sample performance. We introduce a form of \textit{causal regularization} to balance these properties. In the population setting, higher regularization yields estimators with greater risk stability, albeit with increased in-sample risk. Empirically, however, there is a further trade-off to consider, as finite in-sample data reduced the ability to correctly identify models with high out-of-sample risk guarantees. We show how in such empirical settings the optimal causal regularizer can be found via cross-validation.