While global learners are affected

While global learners are affected by sample selection
bias, local learners are not. This is a new categorization,
different from the more usual categorization of
learning methods into discriminative and generative
(Ng & Jordan, 2002). As seen in Section 3.1, although
generative (or Bayesian) methods model P(x|y), P(y)
and P(x), their behavior is generally independent of
P(x) (although this is not true for naive Bayes).
This categorization is also useful for defining situations
in which we can learn from both labeled and unlabeled
data, an area of research that has received some attention
in recent years (see, for example, Szummer and
Jaakkola (2003)). Clearly, global learners can take advantage
of unlabeled data, while local learners cannot.
For global learners, we showed that we can still learn
correctly under sample selection bias if we have data to
estimate the selection probabilities P(s = 1|x). Also,
we showed how to evaluate a classifier using a biased
sample and estimates of the selection probabilities

ผลลัพธ์ (ไทย) 1:

ในขณะที่นักเรียนทั่วโลกได้รับผลกระทบ โดยการเลือกตัวอย่างความโน้มเอียง นักเรียนท้องถิ่นไม่ เป็นการจัดประเภทใหม่แตกต่างจากการจัดประเภทเพิ่มเติมปกติของเรียนรู้วิธี generative และ discriminative(Ng & Jordan, 2002) เห็นในหัวข้อ 3.1 แม้ว่าgenerative (หรือทฤษฎี) วิธีรุ่น P(x|y), P(y)และ P(x) ลักษณะการทำงานเป็นอิสระโดยทั่วไปของP(x) (แม้ว่าจะไม่จริงสำหรับขำน่า Bayes)ประเภทนี้ยังเป็นประโยชน์สำหรับการกำหนดสถานการณ์ซึ่งเราสามารถเรียนรู้จากป้าย และไม่ข้อมูล งานวิจัยที่ได้รับความสนใจบางพื้นที่ในปีที่ผ่านมา (ดู เช่น Szummer และJaakkola (2003)) ชัดเจน สากลผู้เรียนสามารถใช้ประโยชน์จากเพียงข้อมูล ในขณะที่ผู้เรียนในท้องถิ่นไม่สำหรับผู้เรียนทั่วโลก เราพบว่า เรายังเรียนรู้ได้ถูกต้องภายใต้ตัวอย่างเลือกตั้งถ้า เรามีข้อมูลประเมินกิจกรรมเลือก P(s = 1|x) ยังเราพบว่าวิธีการประเมินที่ใช้แบบ biased classifierตัวอย่างและประเมินกิจกรรมเลือก

ผลลัพธ์ (ไทย) 2:

ในขณะที่ผู้เรียนทั่วโลกได้รับผลกระทบจากการเลือกตัวอย่างอคติเรียนในท้องถิ่นไม่ได้ นี่คือการจัดหมวดหมู่ใหม่ที่แตกต่างจากการจัดหมวดหมู่ตามปกติมากขึ้นของวิธีการเรียนรู้เข้าจำแนกและการกำเนิด(Ng & จอร์แดน, 2002) เท่าที่เห็นในมาตรา 3.1 แม้ว่ากำเนิด(หรือเบส์) วิธีการรูปแบบ P (x | y), P (y) และ P (x), พฤติกรรมของพวกเขาโดยทั่วไปจะเป็นอิสระจากP (x) (ถึงแม้จะไม่เป็นความจริงสำหรับไร้เดียงสา Bayes ). หมวดหมู่นี้จะเป็นประโยชน์สำหรับการกำหนดสถานการณ์ที่เราสามารถเรียนรู้จากทั้งสองที่มีข้อความและไม่มีป้ายกำกับข้อมูลพื้นที่ของการวิจัยที่ได้รับความสนใจบางอย่างในปีที่ผ่านมา(ดูตัวอย่างเช่น Szummer และJaakkola (2003)) เห็นได้ชัดว่าผู้เรียนทั่วโลกสามารถใช้ประโยชน์ของข้อมูลที่ไม่มีป้ายกำกับในขณะที่เรียนในท้องถิ่นไม่สามารถ. สำหรับผู้เรียนระดับโลกที่เราแสดงให้เห็นว่าเรายังสามารถเรียนรู้ได้อย่างถูกต้องภายใต้อคติเลือกตัวอย่างถ้าเรามีข้อมูลเพื่อประเมินความน่าจะเป็นตัวเลือกP (s = 1 | x) นอกจากนี้เราแสดงให้เห็นวิธีการประเมินจําแนกโดยใช้ลำเอียงตัวอย่างและประมาณการของความน่าจะเลือก

ผลลัพธ์ (ไทย) 3:

ในขณะที่ผู้เรียนทั่วโลกได้รับผลกระทบจากอคติเลือก
ตัวอย่างผู้เรียนท้องถิ่นไม่ได้ นี้เป็นแบบใหม่ ที่แตกต่างจากแบบปกติ

วิธีการเรียนรู้เพิ่มเติมในและแยกเข้า
( NG &จอร์แดน , 2002 ) เท่าที่เห็นในส่วน 3.1 แม้ว่า
รังสรรค์ ( หรือเบส์ ) รูปแบบวิธีการ P ( x | y ) P ( Y )
p ( x ) , พฤติกรรมของพวกเขาโดยทั่วไปเป็นอิสระ
P ( X ) ( แม้ว่านี้ไม่เป็นความจริงสำหรับ Naive Bayes ) .
ประเภทนี้ยังเป็นประโยชน์สำหรับการกำหนดสถานการณ์
ซึ่งเราสามารถเรียนรู้ได้จากทั้งข้อความและข้อมูลที่ใกล้เคียง
, พื้นที่วิจัยที่ได้รับความสนใจบางอย่าง
ในปีที่ผ่านมา ( ดู ตัวอย่าง szummer และ
jaakkola ( 2003 ) ) เห็นได้ชัดว่าผู้เรียนทั่วโลกสามารถใช้ประโยชน์
ข้อมูลใกล้เคียงในขณะที่ไม่สามารถผู้เรียนท้องถิ่น .
สำหรับผู้เรียนทั่วโลกเราพบว่าเรายังสามารถเรียนรู้
อย่างถูกต้องภายใต้อคติการเลือกตัวอย่าง ถ้าเรามีข้อมูล

ประมาณการน่าจะเป็น P ( S = 1 | X ) นอกจากนี้
เราพบวิธีการประเมินแบบใช้อคติ
ตัวอย่างและการประเมินการความน่าจะเป็น