稳定性和外部有效性的去混淆和因果正则化
Deconfounding and Causal Regularization for Stability and External Validity
摘要：
我们从统一的角度回顾了最近在消除隐藏混淆和因果正则化方面的一些工作。我们描述了如何简单和用户友好的技术，提高稳定性，可复制性和分布式异构数据的鲁棒性。从这个意义上说，我们对Efron（2020）提出的概念漂移问题提供了更多的思考，当数据生成分布发生变化时。
英文摘要：
We review some recent work on removing hidden confounding and causal regularization from a unified viewpoint. We describe how simple and user-friendly techniques improve stability, replicability and distributional robustness in heterogeneous data. In this sense, we provide additional thoughts to the issue on concept drift, raised by Efron (2020), when the data generating distribution is changing.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
