Pseudo-Labeling for kernel ridge regression under covariate shift
协变量漂移下核岭回归的伪标签方法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：摘要研究通用回归迁移与模型选择，未涉及宏观预测、金融收益预测或其他所列细分问题。
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
协变量漂移下核岭回归的伪标签方法
- 研究问题
- 当有标签源数据与无标签目标数据的特征分布不同时，如何选择核岭回归模型，以降低目标分布上的均方误差？
- 方法与思路
- 作者把有标签数据拆成两部分，分别训练候选模型和插补模型，再用插补模型为目标数据生成伪标签并选择候选模型。
- 材料陈述的贡献
- 摘要称非渐近超额风险界体现对目标分布和漂移的适应性，并以有效样本量量化源数据价值，达到含多重对数因子的最优速率。
- 阅读关注点
- 应核对协变量漂移的具体定义、两类样本的条件、伪标签选模规则，以及有效样本量、风险界和极小极大下界的对应关系。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；核、分布及样本条件未说明，不能推断对任意分布漂移或标签机制改变均适用。
原文摘要
We develop and analyze a principled approach to kernel ridge regression under covariate shift. The goal is to learn a regression function with small mean squared error over a target distribution, based on unlabeled data from there and labeled data that may have a different feature distribution. We propose to split the labeled data into two subsets, and conduct kernel ridge regression on them separately to obtain a collection of candidate models and an imputation model. We use the latter to fill the missing labels and then select the best candidate accordingly. Our nonasymptotic excess risk bounds demonstrate that our estimator adapts effectively to both the structure of the target distribution and the covariate shift. This adaptation is quantified through a notion of effective sample size that reflects the value of labeled source data for the target regression task. Our estimator achieves the minimax optimal error rate up to a polylogarithmic factor, and we find that using pseudo-labels for model selection does not significantly hinder performance.