Improving generalisation via anchor multivariate analysis

我们引入了一种因果正则化扩展到锚点回归（AR）中，以提高超出分布（OOD）的泛化性能。我们提出了与锚点框架相一致的锚点兼容损失函数，以确保对分布变化的鲁棒性。各种多元分析（MVA）算法，如（正交化）PLS、RRR和MLR都属于锚点框架。我们观察到简单的正则化可以增强OOD环境下的鲁棒性。我们提供了选择算法的估计器，展示了在合成和真实的气候科学问题中的一致性和效力。经验验证突出了锚点正则化的多功能性，强调了它与MVA方法的兼容性以及在增强可复制性的同时防范分布变化的作用。扩展的AR框架推进了因果推断方法，解决了可靠OOD泛化的需求。

本文旨在提出一种因果正则化扩展到锚定回归（AR）中，以改善超出分布（OOD）泛化的问题。

本文提出了锚点兼容损失，与锚点框架相一致，以确保对分布转换的鲁棒性。各种多元分析（MVA）算法，如（正交）PLS，RRR和MLR，都属于锚点框架。

本文提出的方法在合成和真实世界的气候科学问题中表现出一致性和效力。实验结果强调了锚点正则化的通用性，强调了其与MVA方法的兼容性，以及其在增强可复制性的同时保护免受分布转换的作用。

最近的相关研究包括使用因果推断进行OOD泛化的研究，如《Causal Forests》和《DeepIV》。