核心概念
一般的なデータセットシフトに対する扱いやすいモデルであるスパースジョイントシフト(SJS)に焦点を当てた新しい結果と洞察を提供します。
要約
スパースジョイントシフト(SJS)は、特定の機能セットから大きな機能セットへの伝達に関する新しい結果を提示しています。
SJSは、ターゲットデータセットにおけるラベル観測がなくても、ラベルの予測とクラス事前確率の推定を生成できます。
アルゴリズムの不整合性が最適解の探索を妨げる可能性があることが指摘されています。
Related work:
関連研究では、データセットシフト、転移学習、ドメイン適応、多項分類設定におけるクラス事前確率推定などが取り上げられています。
Setting:
統計的設定では、条件付き期待値やDynkin's theoremなど強力な数学的ツールを使用してSJSを再評価しています。
Analyses of sparse joint shift:
SJSは一般的に事前確率変化や共変量シフトとは異なります。
SJSと共変量シフトの関係はF-SJSがH-covariate shiftを含む場合に深く掘り下げられています。
統計
SJSはターゲット分布Qとソース分布P間の条件付き分布不変性で表現されます。
引用
"Roughly speaking, SJS allows both labels and a few features to shift, but assumes the remaining features’ conditional distribution to stay the same." - Chen et al.