域自适应自助聚合

当用于训练预测算法的数据与当前数据之间存在分布偏移时，性能会下降。这被称为域适应问题。自助聚合（bagging）是一种流行的方法，用于提高预测算法的稳定性，同时降低方差并防止过拟合。本文提出一种域自适应 bagging 方法，并结合一种新的迭代最近邻采样器。其核心思想是从训练数据中抽取自助样本，使其分布等于新测试数据的分布。所提方法提供了一个可应用于任意分类器的一般集成框架。我们进一步改进该方法，以允许测试数据中出现对应于训练数据中异常值的异常样本。本文提供了理论支持，并在模拟与真实数据应用中将该方法与替代方法进行比较。