Algorithmen und Theorie für die Anpassung an mehrere Quellen

Diese Arbeit enthält eine Reihe neuartiger Beiträge zum Problem der Anpassung an mehrere Quellen. Wir präsentieren neue normierte Lösungen mit starken theoretischen Garantien für den Kreuzentropie-Verlust und andere ähnliche Verluste. Außerdem bieten wir neue Garantien, die in dem Fall gelten, in dem die bedingten Wahrscheinlichkeiten für die Quell-Domänen unterschiedlich sind. Darüber hinaus geben wir neue Algorithmen zur Bestimmung der distributionsgewichteten Kombinationslösung für den Kreuzentropie-Verlust und andere Verluste. Wir berichten über die Ergebnisse einer Reihe von Experimenten mit realen Datensätzen. Wir stellen fest, dass unser Algorithmus konkurrierende Ansätze übertrifft, indem er ein einzelnes robustes Modell erzeugt, das bei jeder Zielmischungsverteilung gut abschneidet. Insgesamt bieten unsere Theorie, Algorithmen und empirischen Ergebnisse eine vollständige Lösung für das Problem der Anpassung an mehrere Quellen mit sehr praktischen Vorteilen.