Presná definícia
Čo znamená kovariačný posun?
Kovariačný posun je typ zmeny distribúcie, pri ktorom sa medzi tréningom a použitím mení rozdelenie vstupov p(x), zatiaľ čo podmienený vzťah cieľa k vstupu p(y|x) zostáva podľa predpokladu rovnaký. Nejde o každý drift: ak sa mení samotný vzťah medzi príznakmi a cieľom, ide o konceptový posun. Korekcia vážením podľa pomeru hustôt funguje iba pri dostatočnom prekrytí podpory a správnom predpoklade invariancie.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Model obrazu trénovaný cez deň môže v noci dostávať inú distribúciu jasu, hoci význam objektov zostáva. Tím porovná príznaky a neistotu v časových oknách, no samotný detektor p(x) nepotvrdí stálosť p(y|x); potrebné sú oneskorene získané štítky alebo doménové argumenty. Pri miernom posune možno prevažovať tréningové príklady, kalibrovať alebo adaptovať doménu. Ak produkcia obsahuje oblasť bez tréningovej podpory, váženie nestačí a systém má odmietnuť, získať nové dáta alebo obmedziť doménu.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo sa mení?
p_train(x) sa líši od p_test(x), pričom sa predpokladá p_train(y|x)=p_test(y|x).
Ako sa líši od concept shift?
Pri konceptovom posune sa mení vzťah cieľa k vstupu, takže staré rozhodovacie pravidlo nemusí platiť.
Stačí testovať vstupy?
Odhalí zmenu p(x), ale bez štítkov nepotvrdí, že p(y|x) zostalo rovnaké.
Čo robí importance weighting?
Zvyšuje vplyv tréningových príkladov podobných cieľovej distribúcii pomocou pomeru hustôt.
Prečo je dôležitý overlap?
Ak cieľová oblasť nemá tréningové príklady, nemožno jej správanie spoľahlivo odvodiť iba prevažovaním.