通过概念与代理变量适应潜在子群偏移

我们研究无监督域适应问题，其中源域与目标域的差异源于潜在子群分布的偏移。当该子群混淆所有观测数据时，协变量偏移与标签偏移假设均不适用。我们证明，借助仅在源域中可用的概念变量与代理变量以及来自目标域的无标签数据，可以非参数地识别出最优目标预测器。该识别结果具有构造性，可直接导出一种用于估计目标域中最优预测器的算法。对于连续观测情形，当该算法变得不切实际时，我们提出了一种针对当前数据生成过程的特定隐变量模型。我们展示了该方法如何随偏移程度的增大而退化，并验证了其优于协变量偏移与标签偏移调整方法。