我们提供了一种主动识别分布的小小的变化的方法,从而导致模型性能差异很大。为了确保这些转移是合理的,我们会以观察到的变量的因果机制的可解释变化来对其进行参数化。这定义了合理分布的参数鲁棒性集和相应的最坏情况损失。虽然可以通过重新加权技术(例如重要性抽样)来估算单个参数转移下的损失,但最终的最坏情况优化问题是非convex,并且估计值可能遭受较大的差异。但是,对于小移位,我们可以构建局部二阶近似值,以构建损失的损失,并提出找到最坏情况下的最差偏移作为特定的非凸二次二次优化问题,为此有效算法可用。我们证明,可以直接估计条件指数族模型中的移位,并且绑定了近似误差。我们将方法应用于计算机视觉任务(从图像中对性别进行分类),从而揭示了对非毒物属性转变的敏感性。
translated by 谷歌翻译