Desfase de datos en aprendizaje automático

Una descripción general de los esfuerzos recientes en la comunidad de aprendizaje automático para abordar el cambio de conjunto de datos y covariables, que ocurre cuando las entradas y salidas de prueba y entrenamiento tienen distribuciones diferentes.

El cambio de conjunto de datos es un problema común en el modelado predictivo que ocurre cuando la distribución conjunta de entradas y salidas difiere entre las etapas de entrenamiento y prueba. El cambio de covariables, un caso particular del cambio de conjunto de datos, ocurre cuando solo cambia la distribución de entrada. El cambio de conjunto de datos está presente en la mayoría de las aplicaciones prácticas, por razones que van desde el sesgo introducido por el diseño experimental hasta la irreproducibilidad de las condiciones de prueba en el momento del entrenamiento. (Un ejemplo es el filtrado de spam de correo electrónico, que puede no reconocer el spam que difiere en forma del spam sobre el que se ha construido el filtro automático). A pesar de esto, y a pesar de la atención prestada a los problemas aparentemente similares del aprendizaje semisupervisado y el aprendizaje activo, el cambio de conjunto de datos ha recibido relativamente poca atención en la comunidad de aprendizaje automático hasta hace poco. Este volumen ofrece una visión general de los esfuerzos actuales para abordar el cambio de conjunto de datos y covariables. Los capítulos ofrecen una introducción matemática y filosófica al problema, sitúan el cambio de conjunto de datos en relación con el aprendizaje por transferencia, la transducción, el aprendizaje local, el aprendizaje activo y el aprendizaje semisupervisado, proporcionan puntos de vista teóricos del cambio de conjunto de datos y covariables (incluidas las perspectivas de la teoría de la decisión y bayesianas) y presentan algoritmos para el cambio de covariables.

Contribuyentes Shai Ben-David, Steffen Bickel, Karsten Borgwardt, Michael Brückner, David Corfield, Amir Globerson, Arthur Gretton, Lars Kai Hansen, Matthias Hein, Jiayuan Huang, Choon Hui Teo, Takafumi Kanamori, Klaus-Robert Müller, Sam Roweis, Neil Rubens, Tobias Scheffer, Marcel Schmittfull, Bernhard Schölkopf Hidetoshi Shimodaira, Alex Smola, Amos Storkey, Masashi Sugiyama


Autor: Joaquin Quinonero-Candela
Editorial: MIT Press
Publicado: 07/06/2022
Páginas: 248
Tipo de encuadernación: Tapa blanda
Peso: 1.09lbs
Tamaño: 10.00h x 8.00w x 0.52d
ISBN13: 9780262545877
ISBN10: 026254587X
Categorías BISAC:
- Informática | Teoría de Máquinas
- Informática | Ciencia de Datos | General
- Informática | Inteligencia Artificial | General

Acerca del autor
Joaquin Quiñonero-Candela
Joaquin Quiñonero-Candela es investigador en el Online Services and Advertising Group de Microsoft Research Cambridge, Reino Unido.

Masashi Sugiyama
Masashi Sugiyama es director del RIKEN Center for Advanced Intelligence Project y profesor de Ciencias de la Computación en la Universidad de Tokio.

Anton Schwaighofer
Anton Schwaighofer es investigador aplicado en el Online Services and Advertising Group de Microsoft Research, Cambridge, Reino Unido.

Neil D. Lawrence
Neil D. Lawrence es profesor titular y miembro del Machine Learning and Optimisation Research Group de la Escuela de Ciencias de la Computación de la Universidad de Manchester.