本文讨论的是域泛化（domain generalization）问题：目标是学习在部署到全新、此前未见的環境时仍能对分布偏移保持稳健的预测模型。现有的方法通常需要来自多个训练环境的标注数据，这在标注数据稀缺时限制了它们的适用性。在这项工作中，作者研究了反因果（anti-causal）设定下的域泛化，即结果（outcome）导致所观测的协变量（covariates）。在这种结构下，影响协变量的环境扰动不会传播到结果，这促使研究者对模型对这些扰动的敏感性进行正则化。关键在于，估计这些扰动方向并不需要标签，因此可以借助来自多个环境的无标注数据。作者提出了两种方法，分别惩罚模型对跨环境协变量均值变化和协方差变化的敏感性，并证明这些方法在特定环境类别下具有最坏情况最优性保证。最后，他们在受控物理系统和生理信号数据集上展示了该方法的实证表现。
论文作者包括 Sorawit Saengkyongam、Juan L. Gamella、Andrew C. Miller、Jonas Peters、Nicolai Meinshausen 和 Christina Heinze-Deml，其中部分作者隶属 Apple，部分隶属苏黎世联邦理工学院（ETH Zürich）。该论文于 2026 年 7 月发表。
研究背景方面，在分析分布偏移下的预测模型稳健性时，许多工作聚焦于处理虚假相关（spurious correlations）情形下的泛化问题。在这类情形中，人们通常利用协变量或环境指示变量来强制学习模型中的独立性，以保证稳健性。与此不同，本文关注的反因果结构意味着环境扰动作用于协变量，而非作用于结果，因此模型对协变量扰动的敏感性可以被正则化，而这种正则化不需要标签，从而能够利用无标注数据。
在方法论上，作者提出两种惩罚项：一种针对协变量均值在环境间的变化，另一种针对协变量协方差在环境间的变化。由于这些扰动方向可以在无标签条件下估计，方法能够扩展到标注稀缺的场景。作者还从理论上证明，在某些环境类别下，所提方法具备最坏情况最优性保证。
实证评估方面，作者在受控物理系统和生理信号数据集上验证了方法的性能，表明该思路在真实数据中具有实际效果。这项工作与健康领域的分布偏移稳健性研究相关，例如该团队此前在 ICLR 2023 的“Trustworthy Machine Learning for Healthcare Workshop”上被接收的论文《Considerations for Distribution Shift Robustness in Health》，以及 ICASSP 2023 上关于语音识别中说话人数量影响的研究《More Speaking or More Speakers?》。