Pseudo-Labeling for Unsupervised Domain Adaptation with Kernel GLMs
核广义线性模型下无监督域适应的伪标签方法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。
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：摘要主题为核广义线性模型的域适应与伪标签方法，属机器学习与统计学习理论，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，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
核广义线性模型下无监督域适应的伪标签方法
- 研究问题
- 研究在协变量偏移下，如何利用带标签源域数据与无标签目标域数据，在核广义线性模型（含核岭回归、logistic、Poisson 回归）中最小化目标域的预测误差。
- 方法与思路
- 作者提出将带标签源数据分为两批：一批用于训练一族候选模型，另一批用于构建插补模型；由插补模型为目标数据生成伪标签，据此进行稳健的模型选择，并建立非渐近超额风险界。
- 材料陈述的贡献
- 摘要称提出一个面向核 GLM 协变量偏移的原则性无监督域适应框架，并给出通过“有效带标签样本量”刻画适应性能的非渐近超额风险界，显式考虑未知协变量偏移；合成与真实数据实验显示相对仅用源域基线有一致性能提升。
- 阅读关注点
- 应核对伪标签与模型选择的具体算法、两批源数据划分方式、超额风险界所依赖的假设（如协变量偏移形式、核与正则化条件）、有效样本量的定义，以及实验设置与基线是否支持“一致提升”的表述。
- 阅读边界
- 仅凭摘要无法判断定理假设是否合理、界是否紧、实验是否可复现或优于其他域适应方法；摘要未说明具体数据集、评价指标与数值结果。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We propose a principled framework for unsupervised domain adaptation under covariate shift in kernel Generalized Linear Models (GLMs), encompassing kernelized linear, logistic, and Poisson regression with ridge regularization. Our goal is to minimize prediction error in the target domain by leveraging labeled source data and unlabeled target data, despite differences in covariate distributions. We partition the labeled source data into two batches: one for training a family of candidate models, and the other for building an imputation model. This imputation model generates pseudo-labels for the target data, enabling robust model selection. We establish non-asymptotic excess-risk bounds that characterize adaptation performance through an "effective labeled sample size", explicitly accounting for the unknown covariate shift. Experiments on synthetic and real datasets demonstrate consistent performance gains over source-only baselines.