利用邻近信息分析实现协变量漂移下的分类
机器学习
2024-12-12 v2 机器学习
摘要
迁移学习通过利用来自源分布的数据来提高在目标分布上的预测准确性，在 various applications 中展现出显著的优势。本文引入一种新型不相似度度量，利用邻近信息（即数据点局部结构）来分析协变量漂移（即特征边缘分布不同但条件标签分布相同）下的分类剩余误差。我们使用所提出的度量来表征剩余误差，并展示其收敛速率在 faster 或与先前技术相当。值得注意的是，我们的方法在 support non-containment assumption 下也有效，该假设在实际应用中经常出现。我们的理论分析弥合了当前理论发现与transfer learning中经验观察之间的差距，特别是在源分布和目标分布差异显著的情形下。
引用
@article{arxiv.2405.16906,
title = {Harnessing the Power of Vicinity-Informed Analysis for Classification under Covariate Shift},
author = {Mitsuhiro Fujikawa and Yohei Akimoto and Jun Sakuma and Kazuto Fukuchi},
journal= {arXiv preprint arXiv:2405.16906},
year = {2024}
}