Jun-Hyun Bae, Inchul Choi, Minho Lee
Kyungpook National University
Abstract
Empirical Risk Minimization (ERM) based machine learning algorithms have suffered from weak generalization performance on data obtained from out-of-distribution (OOD). To address this problem, Invariant Risk Minimization (IRM) objective was suggested to find invariant optimal predictor which is less affected by the changes in data distribution. However, even with such progress, IRMv1, the practical formulation of IRM, still shows performance degradation when there are not enough training data, and even fails to generalize to OOD, if the number of spurious correlations is larger than the number of environments. In this paper, to address such problems, we propose a novel meta-learning based approach for IRM. In this method, we do not assume the linearity of classifier for the ease of optimization, and solve ideal bi-level IRM objective with Model-Agnostic Meta-Learning (MAML) framework. Our method is more robust to the data with spurious correlations and can provide an invariant optimal classifier even when data from each distribution are scarce. In experiments, we demonstrate that our algorithm not only has better OOD generalization performance than IRMv1 and all IRM variants, but also addresses the weakness of IRMv1 with improved stability.
Overview
IRMv1์์๋ gradient penalty๊ฐ ์์์ ธ๋ OoD ์ฑ๋ฅ์ด ๋ฎ์ ์ ์๋ค. ์ด ๋ ผ๋ฌธ์ ํ๊ฒฝ๋ณ ๋ฐ์ดํฐ๊ฐ ์ ๊ฑฐ๋ ์ฌ๋ฌ spurious feature๊ฐ ์๋ ์กฐ๊ฑด์์ ๊ทธ ๋ฌธ์ ๋ฅผ ์ดํด๋ณด๊ณ , IRM์ bi-level ๊ตฌ์กฐ๋ฅผ ๋ฉํ๋ฌ๋์ผ๋ก ๊ตฌํํ๋ค.
meta-IRM์ ํ training environment์์ ํ๋ผ๋ฏธํฐ๋ฅผ ์ ์์ํจ ๋ค, ๋ค๋ฅธ training environment์ ์์ค๋ก ์๋ ํ๋ผ๋ฏธํฐ๋ฅผ ์ ๋ฐ์ดํธํ๋ค. MAML์ inner/outer loop ์ฌ์ด์์ ํ๊ฒฝ์ ๋ฐ๊พธ๋ ๊ตฌ์ฑ์ด๋ค. Colored MNIST์์ ๋ loop์ ๊ฐ์ ํ๊ฒฝ์ ๋ฐฐ์ ํ ๋ณํ์ OoD ์ ํ๋๋ 13.6%, ์๋ก ๋ค๋ฅธ ํ๊ฒฝ์ ์ฐ๋ ์ ์ฒด ๋ฐฉ๋ฒ์ 70.4%์๋ค.

meta-IRM์ ํ์ต ์์ด๋์ด๋ฅผ ๋ํ๋ธ ๊ฐ๋ ๋. ํ environment์ ์ ์ํ ํ๋ผ๋ฏธํฐ($\theta'_1$, $\theta'_2$)๋ฅผ ๋ค๋ฅธ environment์์ ํ๊ฐํ๊ณ , ๊ทธ gradient๋ฅผ ํฉ์ณ ํ๊ฒฝ์ ๋ ์์กดํ๋ ํด๋ฅผ ์ฐพ๋๋ก ์ ๋ํ๋ค. ๊ทธ๋ฆผ์ $\theta_{optimal}$์ ๋ชฉํ๋ฅผ ๋ํ๋ด๋ฉฐ, ๋ชจ๋ ์กฐ๊ฑด์์ ๊ทธ ํด์ ๋๋ฌํ๋ค๋ ์๋ ด ๋ณด์ฅ์ ๋ปํ์ง ์๋๋ค.
Method
IRM์ ์ฌ๋ฌ training environment์์ ๊ณตํต์ผ๋ก ์ต์ ์ธ classifier๋ฅผ ์ฌ์ฉํ ์ ์๋ ํํ์ ์ฐพ๋ ๊ฒ์ด ๋ชฉํ๋ค. ์๋ ๋ชฉํ์๋ ํ๊ฒฝ๋ณ ์ต์ ํ๊ฐ ์ ์ฝ์ผ๋ก ๋ค์ด ์์ด ํ๊ธฐ ์ด๋ ต๋ค. ์ค์ฉ์ ์ธ IRMv1์ classifier๋ฅผ ๊ณ ์ ๋ ์ค์นผ๋ผ๋ก ๋๊ณ ์ด ์ ์ฝ์ gradient penalty๋ก ๊ทผ์ฌํ๋ค. ํ์ง๋ง ๋ฐ์ดํฐ๊ฐ ๋ถ์กฑํ๊ฑฐ๋ ํ๊ฒฝ ์์ ๋นํด spurious feature๊ฐ ๋ง์ ์กฐ๊ฑด์์๋, penalty๊ฐ ์์๋ OoD ์ฑ๋ฅ์ด ๋์ ์ ์๋ค. ์๋์ ๋ฐ์ดํฐ ๊ฐ์์ ๋ณต์ ํธํฅ ์คํ์ด ์ด๋ฐ ๊ฒฝ์ฐ๋ฅผ ์ดํด๋ณธ๋ค.
meta-IRM์ IRM์ bi-level ๊ตฌ์กฐ๋ฅผ MAML ๊ธฐ๋ฐ ํ์ต ์ ์ฐจ๋ก ๊ตฌํํ๋ค. ํต์ฌ ์ฐฉ์์ ์ inner loop์ outer loop์ ์๋ก ๋ค๋ฅธ training environment๋ฅผ ๋ฐฐ์ ํ๋ ๊ฒ์ด๋ค. ํ ํ๊ฒฝ์ ์ ์ํ ๊ฒฐ๊ณผ๋ฅผ ๋ค๋ฅธ ํ๊ฒฝ์์ ํ๊ฐํด, ํ๊ฒฝ์ ๋์ด ์ ํจํ ํน์ง์ ํ์ตํ๋๋ก ์ ๋ํ๋ค. ์๋์ ์ ์ฝ ์ต์ ํ ๋ฌธ์ ๋ฅผ ์ ํํ ํ๊ฑฐ๋ ์ ์ญ ์ต์ ํด๋ก ์๋ ดํ๋ค๋ ๋ณด์ฅ์ ์ ์ํ๋ ๊ฒ์ ์๋๋ค.
Meta-Learning Framework
MAML์ inner/outer ๊ตฌ์กฐ๋ฅผ IRM์ bi-level ๊ตฌ์กฐ์ ๋์์ํจ๋ค. Inner loop๋ ํ๊ฒฝ๋ณ ์ ์์, outer loop๋ ๋ค๋ฅธ ํ๊ฒฝ๊น์ง ๊ณ ๋ คํ risk ๊ฐ์๋ฅผ ๋ด๋นํ๋ค. ์ค์ inner update๋ classifier๋ง ๊ณ ์ ์ ์ผ๋ก ๊ณจ๋ผ ๊ฐฑ์ ํ๋ ๊ฒ์ด ์๋๋ผ ๋ชจ๋ธ ํ๋ผ๋ฏธํฐ \(\theta\)์ ์ ์ฉํ๋ค. IRMv1์ฒ๋ผ classifier๋ฅผ ๊ณ ์ ๋ ์ ํ ํจ์๋ก ์ ํํ์ง ์๋๋ค.
Inner optimization: ๊ฐ training environment \(e_i\)์ ๋ํด ๋ชจ๋ธ ํ๋ผ๋ฏธํฐ๋ฅผ ์ ์์ํจ๋ค:
\[\theta_i' = \theta - \alpha \nabla_\theta R^{e_i}(f_\theta)\]Meta-optimization: ์ ์๋ ํ๋ผ๋ฏธํฐ \(\theta_i'\)๋ก ๋ค๋ฅธ environment \(e_j\)์์์ meta-loss๋ฅผ ๊ณ์ฐํ์ฌ \(\theta\)๋ฅผ ์ ๋ฐ์ดํธํ๋ค:
\[\theta \leftarrow \theta - \beta \nabla_\theta \left\{ \sum_i \sum_j R^{e_j}(f_{\theta_i'}) + \lambda \sigma \right\}, \quad e_j \sim \mathcal{E}_{tr} \setminus e_i\]
meta-IRM ํ์ต ๊ณผ์ . ๋ชจ๋ธ ํ๋ผ๋ฏธํฐ $\theta$๊ฐ inner optimization์์ ๊ฐ training environment์ ์ ์๋๊ณ , ์ ์๋ ํ๋ผ๋ฏธํฐ๋ก ๋ค๋ฅธ environment์์ meta-loss๋ฅผ ๊ณ์ฐํ๋ค.
Auxiliary Standard Deviation Loss
Meta-loss์ ํ์คํธ์ฐจ \(\sigma\)๋ฅผ ๋ณด์กฐ ์์ค๋ก ์ถ๊ฐํ์ฌ, ๋ชจ๋ environment์์ ๊ท ์ผํ ์ฑ๋ฅ์ ๋ฌ์ฑํ๋๋ก ์ ๋ํ๋ค. ์ด ์ ๊ทํ๋ ํ์ต ์์ ์ฑ์ ๋์ด๊ณ ์๋ ด ์๋๋ฅผ ๊ฐ์ ํ๋ค. \(\lambda\)๋ ์ด ๋ณด์กฐ ์์ค์ ๊ฐ์ค์น๋ค.
Results
Colored MNIST
์ซ์ 0โ4์ 5โ9๋ฅผ ๋ ํด๋์ค๋ก ๋๋๊ณ , ๋ ์ด๋ธ์ 25% ํ๋ฅ ๋ก ๋ค์ง์ด(label noise) ์ซ์ ๋ชจ์๋ง์ผ๋ก๋ 75%๊น์ง๋ง ๋งํ ์ ์๊ฒ ๋ง๋ ๋ค. ์์ ๋ ์ด๋ธ์ ํ๋ฅ \(p_e\)๋ก ๋ค์ง์ด ์ ํ๋ฏ๋ก, training environment(\(p_e=0.1, 0.2\))์์๋ ์์ด ๋ ์ด๋ธ๊ณผ ๊ฐ๊ฐ 90%, 80% ์ผ์นํ๊ณ test environment(\(p_e=0.9\))์์๋ ์ด ๊ด๊ณ๊ฐ ๋ค์งํ๋ค. ๋ฐ๋ผ์ ์์ ๊ธฐ๋์ง ์๋ ์ด์์ ์ธ ๋ชจ๋ธ์ ์ ํ๋๋ 75%๋ค.
Test accuracy (%) on Colored MNIST. $p_e=0.9$๊ฐ OOD ํ๊ฒฝ (color-label ์๊ด๊ด๊ณ ์ญ์ ).
| Algorithm | \(p_e=0.1\) | \(p_e=0.2\) | \(p_e=0.9\) (OOD) |
|---|---|---|---|
| ERM | 88.6 ยฑ 0.3 | 79.7 ยฑ 0.6 | 16.4 ยฑ 0.8 |
| IRMv1 | 71.4 ยฑ 0.9 | 70.8 ยฑ 1.0 | 66.9 ยฑ 2.5 |
| MM-REx | 70.8 ยฑ 1.5 | 70.4 ยฑ 2.0 | 66.1 ยฑ 4.9 |
| V-REx | 71.5 ยฑ 0.8 | 71.1 ยฑ 0.9 | 68.6 ยฑ 1.2 |
| meta-IRM (Ours) | 70.9 ยฑ 0.9 | 70.8 ยฑ 1.0 | 70.4 ยฑ 0.9 |
| Random | 50 | 50 | 50 |
| ERM (grayscale) | 72.6 ยฑ 0.3 | 72.7 ยฑ 0.3 | 73.0 ยฑ 0.5 |
| Optimal | 75 | 75 | 75 |
์์ด ํฌํจ๋ ์ ๋ ฅ์ ๋ฐ๋ ๋น๊ต ๋ฐฉ๋ฒ ์ค meta-IRM(70.4%)์ด ๊ฐ์ฅ ๋๊ณ , V-REx(68.6%), IRMv1(66.9%), MM-REx(66.1%)๋ณด๋ค ์คํ ๊ฐ ํ์คํธ์ฐจ๋ ์๋ค. ์์ ๋ฏธ๋ฆฌ ์ ๊ฑฐํ ERM (grayscale)์ ๋ณ๋์ ์ฐธ์กฐ๊ฐ์ผ๋ก 73.0%๋ค. ์๋ ๊ทธ๋ฆผ์์ ์โ๋ ์ด๋ธ ๊ด๊ณ๋ฅผ ๋ฐ๊พธ์ด๋ meta-IRM์ ์ ํ๋๊ฐ ๊ฑฐ์ ์ผ์ ํ ๊ฒ์ ์์ ๋ํ ์์กด๋๊ฐ ๋ฎ๋ค๋ ํด์์ ๋ท๋ฐ์นจํ๋ค.

๋ค์ํ test environment ($p_e$ 0.1~0.9)์์์ ์ ํ๋.
Multi-Class Problem
ํด๋์ค ์๊ฐ ์ฆ๊ฐํ๋ฉด spurious correlation์ ๊ตฌ์กฐ๊ฐ ๋ณต์กํด์ง๋ฉฐ, meta-IRM์ ์ด์ ์ด ๋์ฑ ๋๋๋ฌ์ง๋ค.
Multi-class Colored MNIST ($k$=5, 10)์ train/test accuracy (%). ERM, IRMv1, ERM (grayscale) ์์น๋ Choe et al. (2020)์์ ์ธ์ฉ.
| Algorithm | # Classes | Train | Test (OOD) |
|---|---|---|---|
| ERM | 5 | 95.2 ยฑ 0.2 | 41.0 ยฑ 0.6 |
| IRMv1 | 5 | 82.2 ยฑ 0.4 | 62.0 ยฑ 2.4 |
| meta-IRM (Ours) | 5 | 76.4 ยฑ 1.4 | 74.0 ยฑ 3.6 |
| Random | 5 | 20 | 20 |
| ERM (grayscale) | 5 | 73.2 ยฑ 0.2 | 71.7 ยฑ 0.4 |
| ERM | 10 | 92.6 ยฑ 0.2 | 39.2 ยฑ 0.9 |
| IRMv1 | 10 | 83.4 ยฑ 0.5 | 58.6 ยฑ 2.5 |
| meta-IRM (Ours) | 10 | 79.5 ยฑ 0.6 | 73.4 ยฑ 3.2 |
| Random | 10 | 10 | 10 |
| ERM (grayscale) | 10 | 73.2 ยฑ 0.1 | 71.9 ยฑ 0.5 |
| Optimal | โ | 75 | 75 |
10 ํด๋์ค ์ค์ ์์ meta-IRM์ OoD ์ ํ๋๋ 73.4%๋ก IRMv1(58.6%)๋ณด๋ค 14.8%p ๋๋ค. ERM (grayscale) ์ฐธ์กฐ๊ฐ์ 71.9%๋ค. 5ยท10 ํด๋์ค ๋ชจ๋์์ meta-IRM์ ํ๊ท ์ ํ๋๊ฐ ๋์ง๋ง, ์คํ ๊ฐ ํ์คํธ์ฐจ๋ 2-class ์ค์ (0.9)๋ณด๋ค ์ปค์ง๋ค(3.6, 3.2).
Insufficient Data
Training data๊ฐ ์ ๋ฐ(12,500)์ผ๋ก ์ค์์ ๋, IRM ๊ณ์ด ๋ฐฉ๋ฒ๋ค์ ์ฑ๋ฅ์ด ์ผ๋ง๋ ์ ์ง๋๋์ง ํ๊ฐํ๋ค.
Training data ๊ฐ์ ์ test accuracy (%). 25,000 โ 12,500 per environment.
| Algorithm | \(p_e=0.1\) | \(p_e=0.2\) | \(p_e=0.9\) (OOD) |
|---|---|---|---|
| IRMv1 | 73.2 ยฑ 1.6 | 71.7 ยฑ 1.3 | 58.5 ยฑ 2.5 |
| V-REx | 75.0 ยฑ 0.8 | 73.4 ยฑ 0.6 | 61.3 ยฑ 1.4 |
| meta-IRM (Ours) | 70.6 ยฑ 1.5 | 70.5 ยฑ 1.6 | 68.3 ยฑ 2.3 |
| Optimal | 75 | 75 | 75 |
๋ฐ์ดํฐ๊ฐ ์ ๋ฐ์ผ๋ก ์ค์์ ๋, IRMv1์ 66.9% โ 58.5%๋ก 8.4%p ํ๋ฝํ๋ ๋ฐ๋ฉด, meta-IRM์ 70.4% โ 68.3%๋ก 2.1%p ํ๋ฝํ๋ค. ์ด ์ค์ ์์๋ meta-IRM์ด ๋ฐ์ดํฐ ๊ฐ์์ ๋ฐ๋ฅธ OoD ์ฑ๋ฅ ์ ํ๋ฅผ ๋ ์ ๊ฒฌ๋๋ค.

Training data ๊ฐ์์ ๋ฐ๋ฅธ ์ํฅ (25,000 โ 12,500 โ 6,250). ์๋ถํฐ IRMv1, V-REx, meta-IRM. ๋ฐ์ดํฐ๊ฐ ์ค์๋ก IRMv1๊ณผ V-REx๋ ERM์ฒ๋ผ $p_e$๊ฐ ์ปค์ง์๋ก ์ ํ๋๊ฐ ๊ธ๋ฝํ์ง๋ง, meta-IRM์ ๊ฑฐ์ ํํํ๊ฒ ์ ์ง๋๋ค.
Two Spurious Features
Spurious correlation์ด 2๊ฐ(color + patch)์ด๊ณ training environment๋ 2๊ฐ์ธ ๊ฒฝ์ฐ๋ค. IRMv1์ ์ด๋ก ์ ๋ณด์ฅ์ environment ์๊ฐ spurious feature ์๋ณด๋ค ๋ง์ ๋์๋ง ์ฑ๋ฆฝํ๋ฏ๋ก, ๋์ด ๊ฐ์ ์ด ์ค์ ์์๋ ์ฑ๋ฆฝํ์ง ์๋๋ค.
| Algorithm | \(p_e=0.1\) | \(p_e=0.2\) | \(p_e=0.9\) (OOD) |
|---|---|---|---|
| IRMv1 | 93.5 ยฑ 0.2 | 86.4 ยฑ 0.3 | 13.4 ยฑ 0.3 |
| V-REx | 93.6 ยฑ 0.4 | 86.3 ยฑ 0.3 | 13.5 ยฑ 0.3 |
| meta-IRM (Ours) | 58.1 ยฑ 3.1 | 56.8 ยฑ 2.9 | 54.5 ยฑ 4.0 |
| Optimal | 75 | 75 | 75 |
IRMv1๊ณผ V-REx๋ ํ์ต ํ๊ฒฝ๊ณผ ๊ฐ์ ์๊ด๊ด๊ณ์์๋ ์ ํ๋๊ฐ ๋์ง๋ง, ๋ ์๊ด๊ด๊ณ๊ฐ ์ญ์ ๋ OoD ํ๊ฒฝ์์๋ 13.4โ13.5%๋ก ๋จ์ด์ง๋ค. meta-IRM์ 54.5 ยฑ 4.0%๋ก ์ด ์คํจ๋ฅผ ์ํํ๋ค. ๋ค๋ง ํ๊ท ์ด ๋๋ค ๊ธฐ์ค(50%)๋ณด๋ค ์กฐ๊ธ ๋์ ์์ค์ด๊ณ ์ด์์ ์ ํ๋(75%)์๋ ์ฐจ์ด๊ฐ ์ปค, ๋ณต์ ํธํฅ ๋ฌธ์ ๋ฅผ ํด๊ฒฐํ๋ค๊ณ ๋ณด๊ธฐ๋ ์ด๋ ต๋ค.

๋ ๊ฐ์ง spurious feature (color + patch) ์กด์ฌ ์ ๊ฐ ์๊ณ ๋ฆฌ์ฆ์ test environment๋ณ ์ ํ๋.
PunctuatedSST-2 (NLP)
Colored MNIST์์ ํ์ธํ ํจ๊ณผ๊ฐ ์์ฐ์ด ์ฒ๋ฆฌ์์๋ ๋ํ๋๋์ง๋ฅผ PunctuatedSST-2๋ก ๊ฒ์ฆํ๋ค. ๊ฐ์ ๋ถ์ ํ์คํฌ์์ ๊ตฌ๋์ ("!" vs “.")์ด spurious feature๋ก ์์ฉํ๋ ์ค์ ์ด๋ค.
PunctuatedSST-2 test accuracy (%). $\eta_e$๋ label noise ๋น์จ.
| Algorithm | \(\eta_e\) | Test (OOD) |
|---|---|---|
| ERM | 0.25 | 30.7 ยฑ 1.5 |
| IRMv1 | 0.25 | 62.0 ยฑ 1.9 |
| meta-IRM (Ours) | 0.25 | 62.2 ยฑ 1.8 |
| ERM (vanilla) | 0.25 | 62.3 ยฑ 0.5 |
| Optimal | 0.25 | 75 |
| ERM | 0 | 56.2 ยฑ 2.9 |
| IRMv1 | 0 | 67.4 ยฑ 1.4 |
| meta-IRM (Ours) | 0 | 73.0 ยฑ 0.7 |
| ERM (vanilla) | 0 | 76.7 ยฑ 2.7 |
| Optimal | 0 | 100 |
Label noise๊ฐ ์๋ ์ค์ (\(\eta_e=0\))์์ meta-IRM(73.0%)์ IRMv1(67.4%)์ 5.6%p ์ํํ๋ฉฐ, ๊ตฌ๋์ spurious feature๊ฐ ์๋ vanilla SST-2์์ ํ์ตํ ERM (vanilla) ์ฐธ์กฐ๊ฐ(76.7%)์ ๊ทผ์ ํ๋ค. Label noise๊ฐ ์๋ ๊ฒฝ์ฐ(\(\eta_e=0.25\))์๋ meta-IRM(62.2%)๊ณผ IRMv1(62.0%) ๋ชจ๋ ๊ตฌ๋์ ์๋ SST-2๋ก ํ์ตํ ERM (vanilla, 62.3%) ์์ค์ ๋๋ฌํด, ์ด ์ค์ ์์๋ ๋ ๋ฐฉ๋ฒ์ ์ฐจ์ด๊ฐ ๊ฑฐ์ ์๋ค.
Ablation Study
| Variant | \(p_e=0.1\) | \(p_e=0.9\) (OOD) |
|---|---|---|
| w/o std. loss | 73.0 ยฑ 0.8 | 64.2 ยฑ 3.2 |
| First-order approx. | 62.6 ยฑ 5.5 | 59.1 ยฑ 6.3 |
| Same env. (inner = meta) | 89.3 ยฑ 1.6 | 13.6 ยฑ 6.6 |
| meta-IRM (Full) | 70.9 ยฑ 0.9 | 70.4 ยฑ 0.9 |
| Optimal | 75 | 75 |
Same environment(inner = meta) ๋ณํ์ 13.6%๋ก ERM ์์ค์ ์คํจ๋ฅผ ๋ณด์ธ๋ค. Inner loop์ outer loop์ ์๋ก ๋ค๋ฅธ environment๋ฅผ ๋ฐฐ์ ํ๋ ๊ฒ์ด meta-IRM์ ํต์ฌ ๋ฉ์ปค๋์ฆ์์ ๋ณด์ฌ์ฃผ๋ ๊ฒฐ๊ณผ๋ค. First-order approximation์ second-order gradient ์ ๋ณด์ ์์ค๋ก ์ธํด ์ฑ๋ฅ๊ณผ ์์ ์ฑ์ด ๋ชจ๋ ์ ํ๋๋ค(59.1 ยฑ 6.3%). ํ์คํธ์ฐจ loss๋ฅผ ์ ๊ฑฐํ๋ฉด OOD ์ฑ๋ฅ์ด 6.2%p ๋จ์ด์ง๊ณ ์คํ ๊ฐ ํ์คํธ์ฐจ๋ ์ปค์ง๋ค(3.2 vs 0.9).