カーネルGLMによる教師なしドメイン適応の疑似ラベル付け

要約: カーネル化された一般化線形モデル（GLMs）における共変量シフトの下での監督なしドメイン適応のための、原理的な枠組みを提案します。これは、リッジ正則化を用いたカーネル化された線形回帰、ロジスティック回帰、ポアソン回帰を含みます。私たちの目標は、共変量分布の違いにもかかわらず、ラベル付きのソースデータとラベルなしのターゲットデータを活用して、ターゲットドメインでの予測誤差を最小化することです。ラベル付きソースデータを2つのバッチに分割します。1つは候補モデルのファミリを訓練するため、もう1つは補完モデルを構築するためです。この補完モデルはターゲットデータに対して疑似ラベルを生成し、堅牢なモデル選択を可能にします。未知の共変量シフトを明示的に考慮した「有効なラベル付きサンプルサイズ」を通じて、適応性能を特徴づける非漸近的過剰リスク境界を確立します。合成データセットと実データセットの実験は、ソースのみのベースラインに対して一貫した性能向上を示しています。