Importance Weighting Correction of Regularized Least-Squares for Target Shift
目标偏移下正则化最小二乘的重要性加权校正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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦核岭回归在目标偏移下的重要性加权理论性质，属于统计学习理论范畴，与所列微观、宏观、金融领域细分均无直接文本对应，故不选择。
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
目标偏移下正则化最小二乘的重要性加权校正
- 研究问题
- 研究在目标偏移（标签分布变化而给定标签的输入条件分布不变）下，重要性加权核岭回归的统计行为，包括收敛速率、最优性与权重设定错误的影响。
- 方法与思路
- 作者在RKHS正则性与容量条件、标签权重的Bernstein型矩条件下，推导有限样本收敛保证，并给出匹配的极小极大下界；还分析更一般的加权方案与权重误设，并通过标准校准论证推广到插件分类。
- 材料陈述的贡献
- 摘要称，由于权重仅依赖输出变量，重加权可校正训练—测试不匹配而不改变决定核泛化的输入空间复杂度；估计量达到与无偏移情形相同的收敛行为，偏移严重程度仅通过权重矩影响常数项，且下界表明该速率是最优的。
- 阅读关注点
- 应核对RKHS正则性与容量条件、Bernstein型矩条件的具体形式，权重矩如何进入常数项，极小极大下界的构造与假设，以及权重误设下诱导总体回归函数与目标回归函数差异的精确表述。
- 阅读边界
- 这是arXiv预印本（v3），未经同行评审验证；摘要未说明具体核函数、数据生成细节、数值实验或分类校准的具体条件，不能据此判断实际有限样本表现或已获期刊接收。
原文摘要
Importance weighting is a standard tool for correcting distribution shift, but its statistical behavior under target shift -- where the label distribution changes between training and testing while the conditional distribution of inputs given the label remains stable -- remains under-explored. We analyze importance-weighted kernel ridge regression under target shift and show that, because the weights depend only on the output variable, reweighting corrects the train-test mismatch without altering the input-space complexity that governs kernel generalization. Under standard RKHS regularity and capacity conditions and a mild Bernstein-type moment condition on the label weights, we obtain finite-sample guarantees showing that the estimator achieves the same convergence behavior as in the no-shift case, with shift severity affecting only the constants through weight moments. We complement these results with matching minimax lower bounds, establishing rate optimality and quantifying the unavoidable dependence on shift severity. We further study more general weighting schemes and prove that weight misspecification induces an irreducible bias: the estimator concentrates around an induced population regression function that generally differs from the desired test regression function unless the weights are accurate. Finally, we derive consequences for plug-in classification under target shift via standard calibration arguments.