一种用于最优域适应的广义 Neyman-Pearson 准则
机器学习
2019-03-01 v2 机器学习
摘要
在二分类的域适应问题中，学习者获得来自源域的带标签样本，且必须对来自目标域的未标签样本进行正确分类，目标域可能与源域不同。此前关于该问题的研究假设所关注的性能度量是某损失函数的期望值。我们引入一个新的类 Neyman-Pearson 准则，并论证：对于该最优性准则，可能获得比先前已确立结果更强的域适应结果。特别地，我们研究了一类域适应问题，其同时推广了协变量偏移假设与特征依赖标签噪声模型，并在无法访问该域带标签数据的情况下，在目标域上建立了最优分类。
引用
@article{arxiv.1810.01545,
title = {A Generalized Neyman-Pearson Criterion for Optimal Domain Adaptation},
author = {Clayton Scott},
journal= {arXiv preprint arXiv:1810.01545},
year = {2019}
}
备注
ALT 2019