Out-of-Distribution Generalization under Random, Dense Distributional Shifts
随机稠密分布偏移下的分布外泛化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。
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：摘要讨论通用分布偏移与泛化，未涉及分位数效应或特定宏观、金融预测目标。
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
随机稠密分布偏移下的分布外泛化
- 研究问题
- 当总体和环境通过许多微小随机变化发生广泛分布偏移时，如何对仅部分可观测的新分布进行参数推断和预测？
- 方法与思路
- 作者以随机稠密偏移区别于依赖局部不变性的偏移设定，发展推断与预测工具，并讨论分布不确定性模型的诊断。
- 材料陈述的贡献
- 摘要称讨论支持随机稠密偏移的经验证据，提出面向部分可观测偏移分布的工具，并在多个真实数据集上应用。
- 阅读关注点
- 应核对随机偏移的概率模型、目标分布的可观测信息、参数可识别性，以及诊断如何检验不确定性模型的匹配。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；偏移模型、推断保证和预测比较未展开，不能判断任意分布外场景中的有效性。
原文摘要
Many existing approaches for estimating parameters in settings with distributional shifts operate under an invariance assumption. For example, under covariate shift, it is assumed that p(y|x) remains invariant. We refer to such distribution shifts as sparse, since they may be substantial but affect only a part of the data generating system. In contrast, in various real-world settings, shifts might be dense. More specifically, these dense distributional shifts may arise through numerous small and random changes in the population and environment. First, we discuss empirical evidence for such random dense distributional shifts. Then, we develop tools to infer parameters and make predictions for partially observed, shifted distributions. Finally, we apply the framework to several real-world datasets and discuss diagnostics to evaluate the fit of the distributional uncertainty model. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.