ReTaSA：一种解决连续目标偏移的非参数函数估计方法

分布偏移的存在给现代机器学习模型在现实世界应用中的部署带来了重大挑战。这项工作专注于回归设置中的目标偏移问题 (Zhang et al., 2013; Nguyen et al., 2016)。更具体地说，连续的目标变量 y（也称为响应变量）在训练源域和测试域中具有不同的边缘分布，而给定 y 的特征 x 的条件分布保持不变。虽然大多数文献关注具有有限目标空间的分类任务，但回归问题具有无限维的目标空间，这使得许多现有方法不适用。在这项工作中，我们表明可以通过从一个病态积分方程估计重要性权重函数来解决连续目标偏移问题。我们提出了一种名为 ReTaSA 的非参数正则化方法来求解该病态积分方程，并为估计的重要性权重函数提供了理论依据。在合成数据集和真实世界数据集上的广泛数值研究证明了所提方法的有效性。