双侧分布迁移下的 Neyman-Pearson 分类
机器学习
2025-11-11 v1 机器学习
摘要
我们考虑的是在 Neyman-Pearson 分类中的迁移学习问题，即最小化相对于分布 的误差，同时约束相对于分布 的误差保持在预设阈值以下。尽管迁移学习在传统分类中已被广泛研究，但在不平衡分类（如 Neyman-Pearson 分类）中的迁移学习受到的关注要少得多。这种设置提出了独特的挑战，因为必须同时控制两种类型的误差。现有工作仅解决 分布迁移的情况，而在许多实际场景中， 和 都可能发生迁移。我们推导出一种自适应程序，不仅保证在源信息具有可靠性时可改进 Type-I 和 Type-II 误差，还能自动适应源不可靠的情况，从而避免负迁移。除了这些统计保证之外，程序也是高效的，正如通过互补计算保证所显示的那样。
引用
@article{arxiv.2511.06641,
title = {Neyman-Pearson Classification under Both Null and Alternative Distributions Shift},
author = {Mohammadreza M. Kalan and Yuyang Deng and Eitan J. Neugut and Samory Kpotufe},
journal= {arXiv preprint arXiv:2511.06641},
year = {2025}
}