増分的な事前分布更新によるラベルシフト推定

arXiv cs.LG / 2026/4/3

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、学習時とテスト時でラベル分布が異なる状況における教師あり学習のラベルシフト推定を扱う。一方で、条件付き分布 p(x|y) は一定である（概念ドリフトなし）と仮定する。
各新しいサンプルに対して事前分布を増分的に更新し、その後ポステリア（事後分布）を再計算することで、テスト時のラベル分布 p_t(y) の推定を改善する事後処理（post-hoc）手法を提案する。
混同行列を用いたモーメント一致や、新たなデータに対する最大尤度／EM に基づく従来手法とは異なり、本手法はより弱いキャリブレーション要件で動作するよう設計されている。
ブラックボックスの確率的分類器との互換性を目標としており、モデルの再学習なしで適用可能である。
CIFAR-10 と MNIST における実験では、本手法が最大尤度ベースラインに対して、さまざまなキャリブレーション設定およびラベルシフトの大きさの下で一貫した改善を達成することが示されている。