关于稀疏滤波用于协变量偏移自适应的研究
机器学习
2017-09-12 v2 机器学习
摘要
本文正式分析了使用稀疏滤波算法进行协变量偏移自适应的问题。我们通过评估执行协变量偏移自适应所需的条件，提供了稀疏滤波的理论分析。我们证明，仅当标签的条件分布具有可由余弦度量解释的结构时，稀疏滤波才能执行自适应。为克服这一局限，我们提出了一种名为周期稀疏滤波的新算法，并对其进行了相同的协变量偏移自适应理论分析。我们证明，周期稀疏滤波可以在更宽松且更现实的条件下执行自适应，即标签的条件分布具有周期性结构，例如，用户依赖的数据集可能满足这一条件。我们在合成数据上通过实验验证了我们的理论结果。此外，我们将周期稀疏滤波应用于真实世界数据集，以证明这种简单且计算高效的算法能够取得有竞争力的性能。
引用
@article{arxiv.1607.06781,
title = {On the Use of Sparse Filtering for Covariate Shift Adaptation},
author = {Fabio Massimo Zennaro and Ke Chen},
journal= {arXiv preprint arXiv:1607.06781},
year = {2017}
}
备注
40 pages, 3 figures