基于分布特征匹配的具有鲁棒性保证的标签偏移量化
机器学习
2023-07-04 v2 人工智能
机器学习
摘要
量化学习处理在标签偏移下估计目标标签分布的任务。本文首先提出一个统一框架——分布特征匹配（DFM），其将先前文献中引入的多种估计量作为特例恢复。我们推导了 DFM 过程的一般性能界，在几个关键方面改进了先前针对特定情形推导的界。然后我们扩展该分析以研究 DFM 过程在错误设定下、偏离精确标签偏移假设时的鲁棒性，特别是在目标被未知分布污染的情形下。这些理论发现通过在模拟和真实世界数据集上的详细数值研究得到证实。我们还引入了使用随机傅里叶特征原理的高效、可扩展且鲁棒的基于核的 DFM 版本。
引用
@article{arxiv.2306.04376,
title = {Label Shift Quantification with Robustness Guarantees via Distribution Feature Matching},
author = {Bastien Dussap and Gilles Blanchard and Badr-Eddine Chérief-Abdellatif},
journal= {arXiv preprint arXiv:2306.04376},
year = {2023}
}
备注
Accepted at the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML) 2023 Long version (with proofs and appendix)