面向具有混淆域适应的向后兼容数据

当前大多数域适应方法处理协变量偏移或标签偏移，但不适用于二者同时发生且相互混淆的情况。考虑到此类混淆的域适应方法旨在使协变量适应以最优预测某个特定标签，而该标签的偏移与协变量偏移相混淆。在本文中，我们转而寻求实现通用数据的向后兼容性。这将允许适配后的协变量用于各种下游问题，包括已有的预测模型与数据分析任务。为此，我们考虑对广义标签偏移（GLS）的一种修正，称之为混淆偏移。我们针对该问题提出了一种新颖框架，基于在可能混淆因子条件下最小化源与目标条件分布之间的期望散度。在该框架内，我们使用高斯反向 Kullback-Leibler 散度与最大均值差异给出了具体实现。最后，我们在合成与真实数据集上展示了我们的方法。