Causal Domain Adaptation with Copula Entropy based Conditional Independence Test
基于 Copula 熵条件独立检验的因果域适应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：摘要明确将域适应转化为因果发现问题，并利用干预与条件独立关系寻找不变表示。
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
基于 Copula 熵条件独立检验的因果域适应
- 研究问题
- 源域与目标域分布不同时，能否将分布漂移解释为因果系统中的干预，并通过条件独立关系寻找可跨域使用的不变表示？
- 方法与思路
- 作者建立因果域适应的数学模型，将多域关系嵌入因果结构，使用基于 Copula 熵的非参数条件独立检验寻找不变表示。
- 材料陈述的贡献
- 摘要称，该方法在两组模拟数据上验证有效，并在成人收入和步态特征两类真实数据上展示跨域应用能力。
- 阅读关注点
- 应核对干预和域变量的定义、条件独立与表示不变性的联系，以及检验误差、比较基准和真实数据中的因果解释依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未经核验；摘要未列明因果识别条件和迁移误差保证，案例表现不能验证因果结构。
原文摘要
Domain Adaptation (DA) is a typical problem in machine learning that aims to transfer the model trained on source domain to target domain with different distribution. Causal DA is a special case of DA that solves the problem from the view of causality. It embeds the probabilistic relationships in multiple domains in a larger causal structure network of a system and tries to find the causal source (or intervention) on the system as the reason of distribution drifts of the system states across domains. In this sense, causal DA is transformed as a causal discovery problem that finds invariant representation across domains through the conditional independence between the state variables and observable state of the system given interventions. Testing conditional independence is the corner stone of causal discovery. Recently, a copula entropy based conditional independence test was proposed with a rigorous theory and a non-parametric estimation method. In this paper, we first present a mathemetical model for causal DA problem and then propose a method for causal DA that finds the invariant representation across domains with the copula entropy based conditional independence test. The effectiveness of the method is verified on two simulated data. The power of the proposed method is then demonstrated on two real-world data: adult census income data and gait characteristics data.