跨设计通用化的加权表示学习
摘要：在分布变化下具有良好泛化性能的预测模型通常是可取的，有时对于构建强大且可靠的机器学习应用至关重要。我们关注因观测数据导致的因果推断和无监督域自适应中出现的分布变化问题。我们将这两个问题都视为在设计变化下的预测问题。克服分布变化的流行方法往往会做出不切实际的假设，比如假设具有明确定义的模型或者知道导致观测数据的策略。其他方法受限于需要预先指定用于比较观测值的度量，或者受限于差劲的渐近性质。我们提出了一个在设计变化下的泛化误差界，结合了表示学习和样本重新加权。基于该界限，我们提出了一个算法框架，不需要上述任何假设，并且渐近一致。我们用两个合成数据集对新框架进行了实证研究，并与以前的方法进行了比较，证明了其有效性。
作者：Fredrik D. Johansson, Nathan Kallus, Uri Shalit, David Sontag
论文ID：1802.08598
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-02-27