[논문 리뷰] Out-of-Distribution Generalization via Risk Extrapolation (REx)

David Krueger, Ethan Caballero외 6명|arXiv (Cornell University)|2020. 03. 02.

Domain Adaptation and Few-Shot Learning참고 문헌 68인용 수 260

한 줄 요약

REx는 여러 도메인에서 교육 리스크를 동등하게 맞춤으로써 OOD 일반화를 개선하기 위해 Risk Extrapolation(MM-REx 및 V-REx)을 도입하며, covariate shift 하에서 IRM보다 여러 작업에서 우수한 성능을 보입니다.

ABSTRACT

Distributional shift is one of the major obstacles when transferring machine learning prediction systems from the lab to the real world. To tackle this problem, we assume that variation across training domains is representative of the variation we might encounter at test time, but also that shifts at test time may be more extreme in magnitude. In particular, we show that reducing differences in risk across training domains can reduce a model's sensitivity to a wide range of extreme distributional shifts, including the challenging setting where the input contains both causal and anti-causal elements. We motivate this approach, Risk Extrapolation (REx), as a form of robust optimization over a perturbation set of extrapolated domains (MM-REx), and propose a penalty on the variance of training risks (V-REx) as a simpler variant. We prove that variants of REx can recover the causal mechanisms of the targets, while also providing some robustness to changes in the input distribution ("covariate shift"). By appropriately trading-off robustness to causally induced distributional shifts and covariate shift, REx is able to outperform alternative methods such as Invariant Risk Minimization in situations where these types of shift co-occur.

연구 동기 및 목표

• 다중 도메인 학습에서 분포 변화에 대응하고 보이지 않는 도메인에 대한 강건한 일반화를 가능하게 한다.
• 훈련 도메인 간 리스크 평형을 통해 불변 예측을 달성하는 원리적 방법으로 Risk Extrapolation(REx)을 도입한다.
• 확장 가능하고 실용적인 변형으로 MM-REx(minimax extrapolation)와 V-REx(분산 페널티)를 제안한다.
• 인과 메커니즘과의 이론적 연결을 제시하고 IRM 및 DRO 접근법과 비교한다.
• CMNIST 변형, 도메인 일반화 벤치마크, 강화 학습 과제에서 REx의 실험적 이점을 입증한다.

제안 방법

• 외삽 도메인 분포에 대한 최대 리스크를 OOD 리스크로 정의하는 MM-REx를 제시한다.
• 확장(empirical) 가능한 최소 가중치(lambda_min)로 트레이닝 리스크의 선형 결합과 외삽을 허용한다.
• 도메인 리스크의 분산을 이용한 더 단순하고 안정적인 변형인 V-REx를 beta 정규화항과 함께 도입한다.
• 리스크를 같게 만드는 것이 불변 예측으로 이어지며 특정 가정 하에서 인과 메커니즘을 회복할 수 있음을 보인다.
• 리스크를 같게 만드는 것이 동등한 인과 메커니즘 Y를 학습하는 것과의 이론적 연관성(등분산 SCM 가정)을 제시하고 정리정리 1, 2를 제공한다.
• 리스크 비교를 IRM 및 다른 도메인 일반화 방법과 비교하여 공변량 시프트에 대한 강인성이 주요 이점임을 강조한다.

실험 결과

연구 질문

• RQ1 다중 소스 도메인에 대한 개입 하에서 타깃 변수의 인과 메커니즘을 REx가 회복할 수 있는가?
• RQ2 리스크의 평등화(또는 낮은 분산) 강제화가 불변 예측기와 개선된 OOD 강건성을 가져오는가, 특히 공변량 시프트 및 개입 시프트 하에서?
• RQ3 리Ex는 covariate shift, interventional shift 및 혼합 인과 구조를 다루는 과제들에서 IRM 및 표준 ERM과 어떻게 비교되는가?
• RQ4 리스크 평등화가 주어진 가정 하에서 불변 예측 및 인과 탐지와 어떤 이론적 보장을 제공하는가?

주요 결과

• REx는 공변량 시프트 및 불변 예측 요구가 있는 설정(예: CMNIST 변형)에서 IRM보다 우수한 성능을 보인다.
• 리스크 외삽은 트레이닝-리스크 평면을 평탄화하여 최악의 경우(OOD) 성능을 향상시킨다.
• V-REx와 MM-REx는 공변량 시프트와 개입 시프트가 함께 발생하는 경우에도 강건한 OOD 일반화를 달성할 수 있다.
• REx는 불변 관계를 발견할 수 있으며 특정 가정 하에서 인과 메커니즘을 식별할 수 있지만, 성능은 데이터 노이즈 및 이분산성에 의존한다.
• 도메인 일반화 벤치마크 및 강화 학습 과제에서 REx는 IRM 및 ERM에 비해 강건성과 경쟁력 있는 성능을 제시한다.