Causality-inspired machine learning: come usare idee di causalità in domain adaptation
Martedì 23 Marzo 2021 - ore 14.30
Sara Magliacane
Dipartimento di Informatica
Università' di Amsterdam (UvA)
L’applicazione del machine learning nel mondo reale richiede che i metodi siano robusti rispetto alla eterogeneità dei dati, ai dati mancanti o corrotti, al selection bias, ai dati non i.i.d., ecc., e che siano generalizzabili in domini diversi. Molti di questi problemi sono in parte risolti nella ricca letteratura di inferenza causale. D’altra parte, spesso questi metodi richiedono la conoscenza completa di un grafo causale o abbastanza dati sperimentali per stimarlo accuratamente.
L’ipotesi di base del mio lavoro sul causality-inspired machine learning è che non è sempre necessario conoscere completamente il grafo causale per riuscire a usare alcune delle idee di inferenza causale per migliorare machine learning. In particolare, in questo talk presenterò un esempio di questa applicazione senza nessuna conoscenza causale pregressa nell’ambito di unsupervised domain adaptation, i.e., il problema di imparare un modello di classificazione in un dominio sorgente che sia trasferibile a un dominio target nel caso in cui non ci sia nessuna label nel dominio target. Specificatamente, date certe assunzioni ragionevoli, il nostro metodo permette di selezionare feature che sono dimostrabilmente stabili, nel senso che l’errore di generalizzazione nel nuovo dominio è limitato, anche sotto distribution shift arbitrariamente grandi.
L’ipotesi di base del mio lavoro sul causality-inspired machine learning è che non è sempre necessario conoscere completamente il grafo causale per riuscire a usare alcune delle idee di inferenza causale per migliorare machine learning. In particolare, in questo talk presenterò un esempio di questa applicazione senza nessuna conoscenza causale pregressa nell’ambito di unsupervised domain adaptation, i.e., il problema di imparare un modello di classificazione in un dominio sorgente che sia trasferibile a un dominio target nel caso in cui non ci sia nessuna label nel dominio target. Specificatamente, date certe assunzioni ragionevoli, il nostro metodo permette di selezionare feature che sono dimostrabilmente stabili, nel senso che l’errore di generalizzazione nel nuovo dominio è limitato, anche sotto distribution shift arbitrariamente grandi.