是还希望它们能在真实的应用场景中同样具有稳定可靠的表现。但实现此目的的一个重要挑战是，真实场景中的环境情况通常与干净的标准训练数据集不同，会有数据分布的变化从而会遇到分布外样例，而模型不一定会在新环境中给出合理的结果。

 

这为机器学习模型带来了新的要求，即模型需要学到做出预测或判断的本质原因和规律，而非依赖于表面“看上去”的关联关系，因为后者可能只是在特定环境下的表象，只有前者决定着环境变化之后的规律，可对分布外样例给出合理的结果。这便引出了因果机器学习这一新的研究方向。在 NeurIPS 2021 上，微软亚洲研究院的研究员们发表了一系列因果机器学习领域的研究成果。

 

1、学习用于分布外预测的因果语义表示

论文链接：https://arxiv.org/pdf/2011.01681

 

2、寻找用于变分布泛化的隐式因果因子

论文链接：https://arxiv.org/pdf/2011.02203

 

3、解决模仿学习中因果混淆问题的察觉对象的正则化方法

论文链接：https://arxiv.org/pdf/2110.14118

内容中包含的图片若涉及版权问题，请及时与我们联系删除