先验概率偏移下的量化：比率估计器及其扩展
机器学习
2019-04-08 v2 机器学习
摘要
量化问题旨在确定目标总体中给定标签的流行程度。然而，人们通常能获取训练总体中样本的标签，却无法获取目标总体中的标签。此情形下的一个常见假设是先验概率偏移，即一旦标签已知，训练总体与目标总体中特征的分布相同。本文推导了先验偏移假设下量化问题风险的一个新下界。作为该下界补充，我们提出一类新的近似极小极大估计器——比率估计器，其推广了文献中若干先前方案。利用一个可检验的较弱版本先验偏移假设，我们证明比率估计器可用于构建量化问题的置信区间。我们还将比率估计器扩展，使其能：(i)在目标总体标签可用时纳入这些标签；(ii)估计正标签的流行程度如何随某些协变量的函数变化。
引用
@article{arxiv.1807.03929,
title = {Quantification under prior probability shift: the ratio estimator and its extensions},
author = {Afonso Fernandes Vaz and Rafael Izbicki and Rafael Bassi Stern},
journal= {arXiv preprint arXiv:1807.03929},
year = {2019}
}
备注
33 pages, 15 figures