Desfase de datos en aprendizaje automático

Un resumen de los esfuerzos recientes en la comunidad de aprendizaje automático para abordar el cambio de conjunto de datos y el cambio de 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 correo no deseado, que puede no reconocer el correo no deseado que difiere en forma del correo no deseado con 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 el cambio de 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 el cambio de covariables (incluidas las perspectivas teóricas de decisión y bayesianas), y presentan algoritmos para el cambio de covariables.

Colaboradores 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:
- Computadoras | Teoría de Máquinas
- Computadoras | Ciencia de Datos | General
- Computadoras | Inteligencia Artificial | General

Sobre el autor
Joaquin Quiñonero-Candela
Joaquin Quiñonero-Candela es Investigador en el Grupo de Servicios en Línea y Publicidad de Microsoft Research Cambridge, Reino Unido.

Masashi Sugiyama
Masashi Sugiyama es Director del Centro RIKEN para el Proyecto de Inteligencia Avanzada y Profesor de Ciencias de la Computación en la Universidad de Tokio.

Anton Schwaighofer
Anton Schwaighofer es Investigador Aplicado en el Grupo de Servicios en Línea y Publicidad de Microsoft Research, Cambridge, Reino Unido.

Neil D. Lawrence
Neil D. Lawrence es Profesor Titular y miembro del Grupo de Investigación de Aprendizaje Automático y Optimización en la Escuela de Ciencias de la Computación de la Universidad de Manchester.