Anti-Causal Domain Generalization: Unlabeled Data의 활용

레이블이 없는 데이터를 활용하여 새로운 환경에서도 강건한 예측 모델을 학습하는 Anti-Causal Domain Generalization 방식을 제안한다.

기존의 Domain Generalization 방법론은 모델이 새로운 환경에서도 강건하게 작동하도록 학습하는 것을 목표로 하지만, 대개 여러 학습 환경의 Labeled Data가 필수적이라는 한계가 있다.

본 연구는 결과(Outcome)가 관측된 공변량(Covariates)에 영향을 주는 Anti-causal setting에 주목한다. 이러한 구조에서는 환경의 변화가 공변량에는 영향을 미치지만 결과에는 영향을 주지 않는 특성을 가진다.

이러한 인과 구조를 활용하여, 모델이 공변량의 변화에 과도하게 민감하게 반응하지 않도록 규제(Regularization)함으로써 레이블이 없는 데이터만으로도 효과적인 도메인 일반화가 가능함을 보여준다.