研究人员开发了一个名为CIR的新框架，旨在提高连续时间动态图（CTDG）表示学习方法的鲁棒性。现有方法在处理分布外偏移时常常遇到困难，而CIR通过使用一种新颖的结构因果模型（ICCM）来学习不变表示，从而解决了这个问题。该框架使用归一化加权几何平均值（NWGM）有效地近似干预预测，并包含一个环境记忆库来处理分布偏移，在各种分布外场景中表现出优越的性能。 AI
影响 这项研究可能为在真实、不可预测的环境中分析不断变化的关联数据的AI系统带来更高的可靠性。
排序理由 该集群包含一篇学术论文，详细介绍了用于AI模型鲁棒性的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
