Klassenschätzungsverhältnisse mit Anwendung auf die Ablehnung von Multiklassanomalien

Diese Arbeit behandelt zwei Klassifizierungsprobleme, die unter den Begriff der Domänenanpassung fallen, bei denen sich die Verteilungen von Trainings- und Testdaten unterscheiden. Das erste untersuchte Problem ist das der Klassenproportion, nämlich das Problem der Schätzung der Klassenverhältnisse in einem Testdatensatz unter Verwendung beschrifteter Beispiele jeder Klasse. Im Vergleich zu Arbeiten zu diesem Problem hat unser Ansatz das neuartige Merkmal, dass er beschriftete Trainingsdaten aus einer der Klassen erfordert. Diese Eigenschaft ermöglicht es, das zweite Problem der Domänenanpassung anzusprechen, nämlich die Multiklassenanomalie. Hier besteht das Ziel darin, einen Klassifikator zu entwerfen, der die Option eines "Ablehnen"-Labels hat, was anzeigt, dass die Instanz nicht aus den in den Trainingsdaten vorhandenen Daten stammt. Wir etablieren konsistente Lernstrategien für beide dieser Probleme der Domänenanpassung, die, soweit wir wissen, einmalig sind. Wir implementieren auch die Schätzung der Klassenverhältnisse und demonstrieren ihre Leistung an mehreren Benchmark-Datensätzen.