Sparse joint shift in multinomial classification

要約

スパース ジョイント シフト (SJS) は、特徴とラベルの周辺分布、事後確率とクラス条件付き特徴分布に変化を引き起こす可能性がある一般的なデータセット シフトの扱いやすいモデルとして最近提案されました。
ラベル観測を行わずにターゲット データセットに SJS を適合させると、ラベルの有効な予測とクラス事前確率の推定値が生成される可能性があります。
特徴のセットからより大きな特徴のセットへの SJS の伝達、ターゲット分布の下でのクラス事後確率の条件付き補正式、SJS の識別可能性、および SJS と共変量シフトの関係に関する新しい結果を提示します。
さらに、SJS の特性を推定するために提案されたアルゴリズムの不一致が、最適解の探索を妨げる可能性があることを指摘します。

要約(オリジナル)

Sparse joint shift (SJS) was recently proposed as a tractable model for general dataset shift which may cause changes to the marginal distributions of features and labels as well as the posterior probabilities and the class-conditional feature distributions. Fitting SJS for a target dataset without label observations may produce valid predictions of labels and estimates of class prior probabilities. We present new results on the transmission of SJS from sets of features to larger sets of features, a conditional correction formula for the class posterior probabilities under the target distribution, identifiability of SJS, and the relationship between SJS and covariate shift. In addition, we point out inconsistencies in the algorithms which were proposed for estimating the characteristics of SJS, as they could hamper the search for optimal solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google