在线特征更新改进了在线（广义）标签偏移适应

本文解决了在线环境下标签缺失时标签偏移这一普遍问题，其中数据分布随时间变化，且及时获取标签具有挑战性。现有方法主要侧重于调整或更新预训练分类器的最后一层，我们则探索了在测试时利用无标签数据增强特征表示的未开发潜力。我们的新方法，即具有在线特征更新的在线标签偏移适应（OLS-OFU），利用自监督学习来优化特征提取过程，从而改进预测模型。通过精心设计算法，理论上OLS-OFU在考虑改进特征的同时，保持了与文献中结果相似的在线遗憾收敛性。实验上，它比现有方法取得了显著改进，其改进幅度与现有方法相对于基线（即无分布偏移适应）的改进幅度相当。