.png){kind=icon}
返回
Domain Adaptive Bootstrap Aggregating
.png){kind=icon}
PRE
AI
DOI：10.1109/TSP.2025.3608642.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当用于训练预测算法的数据与当前数据之间存在分布偏移时，性能可能会下降。这被称为领域适应问题。自助聚合（或称装袋法）是一种提高预测算法稳定性的常用方法，同时能降低方差并防止过拟合。本文提出了一种结合新迭代最近邻采样器的领域自适应装袋法。其核心思想是从训练数据中抽取自助样本，使它们的分布与新的测试数据分布相等。所提出的方法提供了一种通用的集成框架，可应用于包括流形在内的复杂领域中的任意分类器。我们进一步修改该方法，以允许测试数据中出现与训练数据中的离群值相对应的异常样本。本文提供了理论支持，并将该方法与替代方案在模拟和真实数据应用中进行比较。
Keyword:
Bagging
classification
domain adaptation
ensemble learning
generalizability
期刊
I
IF:
5.8
论文数:
287
被引数:
0
机构
引用论文
暂无论文信息