论文概要
研究领域: ML 作者: Yihong Gu, Katherine Liao, Tianxi Cai 发布时间: 2026-07-20 arXiv: 2607.18209 分类: math.ST, cs.LG, stat.ME, stat.ML
中文摘要
本文考虑一个多环境因子模型，其中高维协变量从异质环境中收集，辅助标签在这些环境的子集中可用。协变量的联合分布可能随环境变化，而潜在结构分解为具有共享载荷的不变因子和具有环境特定载荷的异质因子。该模型受到迁移学习和潜在因子回归的启发，旨在为响应Y的解读和稳健样本外预测寻求稳定的低维表示。利用不变性原则，我们在最小结构条件下证明不变和异质因子是可解耦的。基于此，我们提出ATLAS——一种基于辅助标签和不变性引导的跨异质环境潜在对齐迁移方法。ATLAS是一个统一流程，利用不变性原则分离对齐的不变和未对齐的异质因子，并进一步利用辅助标签的监督从那些未对齐的异质因子中提取预测不变和可迁移的因子。
原文摘要（精炼版）
We propose ATLAS for disentangling invariant and heterogeneous latent factors across environments using the invariance principle and auxiliary labels, yielding near-oracle performance for downstream latent factor regression and transferable prediction.
— 自动采集于 2026-07-22
#论文 #arXiv #ML #小凯