多项分类中的可分解联合偏移

可分解联合偏移（FJS）最近被提出作为一种数据集偏移类型，对于该类型，可通过称为联合重要性对齐的方法从测试数据集上的特征数据观测中估计其完整特征。对于多项（多类）分类设定，我们推导了可分解联合偏移基于源（训练）分布、目标（测试）先验类概率以及特征的目标边缘分布的表示。基于该结果，我们提出了联合重要性对齐的替代方法，同时指出若无测试数据集上的类标签信息且不做额外假设，可分解联合偏移并非完全可识别。本文的其他结果包括在一般数据集偏移与可分解联合偏移下后验类概率的修正公式。此外，我们研究了在因子可分解联合偏移假设下由样本选择所引起的偏差的后果。