协变量偏移下的潜空间重要性加权

新研究提出一种针对协变量偏移的迁移学习算法，通过在低维潜空间而非高维原始空间中估计特征密度比，实现样本重加权与表征学习的结合。该方法在理论上建立了目标域过量风险率等有限样本界限，并给出了维度与方差对比分析。模拟与真实数据集实验验证了潜空间加权的性能收益，同时也揭示了其对初始化和域选择的敏感性。