Distributionally robust learning for multisource unsupervised domain adaptation
多源无监督域适应的分布鲁棒学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般机器学习的域适应与模型聚合，未指向所列经济计量细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多源无监督域适应的分布鲁棒学习
- 研究问题
- 当目标域分布不同于多个源域时，如何结合源域有标签数据和目标域无标签数据，构造面向目标域的稳健预测模型？
- 方法与思路
- 作者以解释方差为基础构造分布鲁棒目标，将模型表示为源域条件结果模型的加权平均，并校正聚合权重的偏差。
- 材料陈述的贡献
- 摘要称该表示允许聚合不同机器学习算法估计的源模型，也可解释为满足隐私约束的联邦学习，并用模拟及真实数据评估。
- 阅读关注点
- 应核对目标分布集合如何限定、无标签数据如何确定聚合权重、偏差校正的条件，以及泛化与隐私保证的准确含义。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；分布集合、泛化及隐私条件和评估数值未提供，不能据此判断普遍优势。
原文摘要
Empirical risk minimization often performs poorly when the distribution of the target domain differs from those of the source domains. To address such potential distributional shifts, we develop an unsupervised domain adaptation approach that leverages labeled data from multiple source domains and unlabeled data from the target domain. We introduce a distributionally robust model that optimizes an adversarial reward based on explained variance across a class of target distributions, ensuring generalization to the target domain. We show that the proposed robust model is a weighted average of conditional outcome models from the source domains. This formulation allows us to compute the robust model through the aggregation of source models, which can be estimated using various machine learning algorithms of the user’s choice such as random forests, boosting and neural networks. Additionally, we introduce a bias-correction step to obtain a more accurate aggregation weight, which is effective for various machine learning algorithms. Our framework can be interpreted as a distributionally robust federated learning approach that satisfies privacy constraints while providing insights into the importance of each source for prediction on the target domain. The performance of our method is evaluated on both simulated and real data.