모델 갱신 뒤의 무효화
현재 모델에서 더 나은 결과를 만드는 행동도 모델이 바뀌면 같은 결과를 얻지 못할 수 있다. 원 연구는 자료 분포 변화 등으로 예측기가 갱신될 때 기존 구제 대안이 무효화되는 문제를 다뤘다.
강건한 대안의 탐색
ROAR는 적대적 학습을 활용해 모델 변화에 강건한 대안을 찾는다. 한 모델의 현재 결정만 만족시키는 탐색과 달리 모델 이동에 대한 안정성을 함께 고려한다.
추가 비용과 이론 분석
연구는 강건성을 고려하지 않은 방법의 무효화 확률에 대한 하한과 제안한 강건 대안의 추가 비용에 대한 경계를 분석했다. 합성 및 실제 자료의 평가 결과는 해당 분석과 실험 조건 안에서 제시됐다.
관련 문서
반사실 설명 / 최소 개입 기반 알고리즘 구제 / 불완전한 인과 지식의 알고리즘 구제 / CARLA 반사실 평가 도구 / 적대적 학습 / 분포 이동