Sie befinden Sich nicht im Netzwerk der Universität Paderborn. Der Zugriff auf elektronische Ressourcen ist gegebenenfalls nur via VPN oder Shibboleth (DFN-AAI) möglich. mehr Informationen...
Robust Importance-Weighted Cross-Validation Under Sample Selection Bias
Ist Teil von
2019 IEEE 29th International Workshop on Machine Learning for Signal Processing (MLSP), 2019, p.1-6
Ort / Verlag
IEEE
Erscheinungsjahr
2019
Quelle
IEEE Xplore
Beschreibungen/Notizen
Cross-validation under sample selection bias can, in principle, be done by importance-weighting the empirical risk. However, the importance-weighted risk estimator produces suboptimal hyperparameter estimates in problem settings where large weights arise with high probability. We study its sampling variance as a function of the training data distribution and introduce a control variate to increase its robustness to problematically large weights.