近年来，机器学习在各个领域都取得了巨大的成功。但是，许多成功案例都发生在培训和测试分布极为相似的地方。在日常情况下，如果使用与训练时略有不同的数据测试模型，则ML算法可能会严重失败。这项研究试图正式定义这个问题，哪些合理的假设对我们的数据是合理的，以及我们希望从这些数据中获得什么样的保证。然后，我们集中讨论一类非分布问题及其假设，并根据这些假设引入简单的算法，这些算法能够提供更可靠的概括。本文的中心主题是发现数据的因果结构与



"点击查看英文标题和摘要"