要旨: 因数分解可能なジョイントシフト（FJS）は、共変量シフト（またはデータセットシフト）の一種を表し、共変量シフトとラベルシフトの両方を含む。近年、FJSは実際には連続するラベルシフトと共変量シフト（あるいはその逆）から生じることが観察されている。これまでのFJSに関する研究は、主としてカテゴリカルなラベルの場合に限られてきた。我々は、一般のラベル空間における分布シフトを解析するための枠組みを提案し、分類モデルと回帰モデルの両方を包含する。提案した枠組みに基づき、一般のラベル空間に対してFJSに関する既存の結果を一般化し、クラス事前確率に対する期待値最大化（EM）アルゴリズムのラベル分布推定に関する関連する拡張を提示し、解析する。また、一般のラベル空間における一般化ラベルシフト（GLS）についても、新たな観点から見直す。
因数分解可能なジョイントシフトの再検討
arXiv stat.ML / 2026/4/30
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 因数分解可能なジョイントシフト（FJS）を再検討し、その分布シフトはラベルシフトと共変量シフトが（どちらの順序でも）連続して起きることで説明できることを示します。
- これまで主にカテゴリラベルの場合に限られていたFJS研究を超え、一般のラベル空間に適用できる解析フレームワークを提案し、分類と回帰の双方を対象にします。
- 新しいフレームワークに基づき、FJSに関する既存の結果を一般のラベル空間へと一般化します。
- クラス事前確率を推定するためのEM（期待値最大化）アルゴリズムの拡張を提示し、その分析を行います。
- 一般のラベル空間における一般化ラベルシフト（GLS）についても改めて見直します。
