Neuer Ansatz für Domain‑Adaptation in kausalen Systemen

In einer häufigen Herausforderung der Domain‑Adaptation fehlt die Zielvariable im Zielbereich, obwohl sie im Quell Tun beobachtet wird. Forscher haben einen Ansatz entwickelt, um diese Variable aus den übrigen beobachteten Merkmalen unter verschiedenen Verschiebungen zu schätzen.

Der Schlüssel liegt in einer kompakten, mechanismusstabilen Repräsentation, die nur die für die Vorhersage relevanten Informationen behält und unerwünschte Variation eliminiert. Für lineare, gaußsche kausale Modelle liefert die Studie eine geschlossene Lösung des Gaussian Information Bottleneck (GIB), die sich in eine CCA‑ähnliche Projektion verwandelt und optional auf gerichtete azyklische Graphen (DAG) abgestimmt werden kann.

Bei nichtlinearen oder nicht‑gaußschen Daten wird ein Variational Information Bottleneck (VIB) Encoder‑Predictor vorgestellt. Dieser Ansatz skaliert problemlos auf hohe Dimensionen, kann auf Quell‑Daten trainiert und anschließend ohne weitere Anpassung im Zielbereich eingesetzt werden.

Tests an synthetischen und realen Datensätzen zeigen, dass die Methode konsequent genaue Imputationen liefert. Damit bietet sie ein leichtgewichtiges, einheitliches Toolkit für die praktische Anwendung in hochdimensionalen kausalen Modellen und eröffnet neue Möglichkeiten für die Domain‑Adaptation in komplexen Systemen.