.png){kind=icon}
返回
Covariate-Shift Generalization via Random Sample Weighting
.png){kind=icon}
OA
AI
DOI：10.1609/aaai.v37i10.26396.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
协变量在训练阶段到测试阶段的边际分布变化，称为协变量偏移，通常会导致在agnostic测试数据上的预测性能不稳定，尤其是在模型误设的情况下。关于不变性学习的近期文献试图从异构环境中学习一个不变预测器。然而，学习到的预测器的性能在很大程度上取决于所提供环境的可用性和质量。在本文中，我们提出了一种简单有效的方法，通过随机样本加权（RSW）生成异构环境。给定来自单一源环境的训练数据集，我们随机生成一组决定协变量的样本权重，并使用每个加权的训练分布来模拟一个环境。我们从理论上证明，在适当条件下，这种随机样本加权可以产生足够的异构性，供常用不变性约束利用，以找到在协变量偏移下实现稳定预测的不变量。在模拟和真实数据集上的大量实验清楚地验证了我们方法的有效性。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息