Information Geometrically Generalized Covariate Shift Adaptation

要約

タイトル：情報ジオメトリックに一般化された共変量シフト適応
要約：

– 機械学習の多くの方法は、訓練データとテストデータが同じ分布に従うと仮定している。
– ただし、現実世界ではこの仮定が頻繁に破られることがある。特に、データの周辺分布が変化する現象を共変量シフトと呼び、機械学習の重要な研究トピックの1つである。
– 私たちは、共変量シフト適応手法のよく知られたファミリーが情報幾何の枠組みで統一されていることを示した。
– さらに、情報ジオメトリックに一般化された共変量シフト適応法のパラメータ探索を効率的に実現できることを示した。
– 数値実験により、私たちの一般化方法は、含まれる既存の方法よりも優れた性能を発揮できることが示された。

要約(オリジナル)

Many machine learning methods assume that the training and test data follow the same distribution. However, in the real world, this assumption is very often violated. In particular, the phenomenon that the marginal distribution of the data changes is called covariate shift, one of the most important research topics in machine learning. We show that the well-known family of covariate shift adaptation methods is unified in the framework of information geometry. Furthermore, we show that parameter search for geometrically generalized covariate shift adaptation method can be achieved efficiently. Numerical experiments show that our generalization can achieve better performance than the existing methods it encompasses.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI