边际迁移学习实现领域泛化
摘要：领域通用化问题中，存在来自几个相关预测问题的标记训练数据集，目标是在学习者不知道的未来无标签数据集上进行准确的预测。由于环境、技术或其他变化源的影响，这个问题在多个应用中出现。我们引入一个领域通用化的形式框架，并认为它可以被看作是一种通过用特征向量的边际分布来扩展原始特征空间的监督学习问题。虽然我们的框架与传统的监督学习算法分析有若干联系，但领域通用化的几个独特方面需要新的分析方法。 这项工作奠定了领域通用化的学习理论基础，建立在我们之前的会议论文的基础上介绍了领域通用化问题。我们提出了两个数据生成的形式模型，对应的风险概念，以及无分布泛化误差分析。通过关注核方法，我们还提供了更多定量结果和一种普遍一致的算法。对于这个算法提供了一个高效的实现，该实现在一个合成数据集和三个真实世界数据集上进行了实验比较。
作者：Gilles Blanchard, Aniket Anand Deshmukh, Urun Dogan, Gyemin Lee, Clayton Scott
论文ID：1711.07910
分类：Machine Learning
分类简称：stat.ML
提交时间：2021-01-08