English(EN) Point-Identification of a Robust Predictor Under Latent Shift with Imperfect Proxies

新框架解决潜在偏移下的域适应问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-11 04:00

研究人员开发了一个名为 Proximal Quasi-Bayesian Active learning (PQAL) 的新框架，用于解决域适应问题，特别是在偏移由未观察到的潜在因素引起时。PQAL 框架引入了潜在等价类 (LECs) 来放宽现有基于代理的方法通常需要的严格完备性假设。这种新方法允许在更弱的条件下（特别是混合权重上的跨域秩条件）对鲁棒预测器进行点识别，并在合成和真实世界数据集上展示了改进的性能。 AI

影响引入了一个新颖的框架，用于在分布偏移的情况下提高模型的鲁棒性和泛化能力，这对于现实世界的AI部署至关重要。

排序理由这是一篇研究论文，详细介绍了一种新的域适应框架和方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Zahra Rahiminasab, Reza Soumi, Arto Klami, Samuel Kaski · 2026-06-11 04:00

Point-Identification of a Robust Predictor Under Latent Shift with Imperfect Proxies

arXiv:2603.15158v2 Announce Type: replace Abstract: Addressing the domain adaptation problem becomes more challenging when distribution shifts across domains stem from latent confounders that affect both covariates and outcomes. Existing proxy-based approaches that address latent…

报道来源 [1]

Point-Identification of a Robust Predictor Under Latent Shift with Imperfect Proxies

相关话题