多项分类中的稀疏联合偏移

稀疏联合偏移（SJS）近来被提出作为一种可处理的通用数据集偏移模型，该偏移可能导致特征与标签的边际分布、后验概率以及类条件特征分布发生变化。在缺乏标签观测的情况下，对目标数据集拟合 SJS 可生成有效的标签预测与类先验概率估计。我们给出了关于 SJS 从特征集向更大特征集传递的新结果、目标分布下类后验概率的条件修正公式、SJS 的可辨识性，以及 SJS 与协变量偏移之间的关系。此外，我们指出此前提出的用于估计 SJS 特征的算法存在不一致之处，因其可能妨碍最优解的搜索，并给出了潜在的改进建议。