本文提出了一种新颖的信息论方法，以改善基于半监督学习的转移学习中深度神经网络的传递性，特别是在源数据集和目标数据集之间存在分歧的情况下，通过引入 Mutual Information 和 Lautum Information 来 应用于目标数据集的正则化项

Jun, 2023

本文研究了机器学习中的一个重要研究主题：协变量转移。我们表明这个领域的方法都可以归为信息几何的范畴，并且我们提出的方法可以更高效地进行参数搜索和更好地适应数据，结果比现有方法好。

Apr, 2023

我们研究了一个具有非平稳标签转移的半监督分类问题，通过观察一组有标签的数据集和一系列无标签的协变量向量，我们的目标是预测每个协变量向量的相应类别标签，而无需观察除初始有标签数据集之外的真实标签。通过建立一个在任何给定测试时间内自适应地适应未知动态边缘标签概率的高概率遗憾上界，我们探索了一种基于统计方法的自适应迁移学习的替代方法，并给出了与在线学习方法相匹配的平均动态遗憾界限的界限。

May, 2024

本文研究了因果模型下的函数估计问题，进一步探讨因果知识对半监督学习、知识迁移和协变量转移等问题的影响，并通过实证结果支持了半监督学习的假设。

Jun, 2012

通过考虑协变量变化，提出了一种对于未知数据能够保持公正与性能的预测模型的方法。

Oct, 2020

在测试数据中的协变量偏移可以显著降低模型的准确性和公平性表现。我们提出了一种基于加权熵的预测准确性目标和表示匹配损失的新型组合目标函数，通过实验证明了我们的损失函数优化在公平性与准确性的权衡上优于其他基线方法。我们还提出了一种称为不对称协变量偏移的新颖设置，并展示了我们的方法在这种设置下的显著优势。最后，我们理论上证明了在训练集上的加权熵项和预测损失可以近似于协变量偏移时的测试损失。我们通过实验证明了这种对未见测试损失的近似不依赖于影响其他基线方法的重要性采样方差。

Oct, 2023

统一分析了具有协变量转移的一般非参数方法在再生核希尔伯特空间下的理论，得出了收敛速度，并与现有文献中使用的最优结果相吻合。在合成和实际例子上进行的广泛数值研究证实了我们的理论发现，进一步说明了我们提出的方法的有效性。

Oct, 2023

本文针对协变量偏移问题提出了一种半生成模型，该模型能够利用未标注的数据进行自适应学习和半监督学习，并且通过学习原因和影响同时作用的形式，解决了因果推理问题和领域转移问题，实验表明该方法在分类任务中具有显著优势。

Jul, 2018

探讨当部分数据无标签时的半监督分类问题，提出基于密度水平集估计的方法，利用聚类假设和与边际分布有关的回归函数的行为，实现在未标注和已标注示例数量上的收敛速率快。

Apr, 2006

该论文研究了数据集转移理论和不变表示学习算法，提出了广义标签转移（GLS）理论，并通过推导信息量化的一般化界限和基于贝叶斯观点证明了 GLS 学习器与最优目标模型的足够接近性；同时提出了基于内核嵌入的校正算法（KECA），通过最小化泛化误差和成功的知识转移实现了对数据集转移的校正，证明了 GLS 校正处理数据集转移的充分性和必要性。

Jun, 2024