关键词generalized label shift
搜索结果 - 2
- 当不变表示学习遇到标签漂移:不充分性和理论洞察
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 - 似然自由推断中的噪声参数分类和广义标签转移
我们提出了一种新的方法用于稳健的不确定性量化,将分类问题视为在干扰参数下的假设检验问题,通过估计分类器在整个干扰参数空间上的接收器操作特性(ROC),我们能够设计在广义标签偏移下不变的截断点,从而有效赋予预训练分类器领域适应能力,并返回有效