将数据更精细地划分，FN和RN、IP和DP在importance sampling中做不同等处理
目标：更精细地划分数据：即时正样本、假负样本、真正样本、延迟正样本修正import weight；两步优化；双分布流式训练模型。
fnw、esdfm、defer并没有实现真正的无偏估计，importance sampling假设从p(x,y)到q(x,y)没有值发生改变，更具体和严格来说，若将观测label记为v，重新表示有偏分布q(x,v)为：
假负样本采样应该被写为
，而不是和实负样本一样进行处理。根据（5，12）可得（13）
和之前聚焦于样本复制机制的方法不同，本方法聚焦于正确评估loss中的importance weight来建模无偏CVR。
其中
，
现有的方法仅仅建模了观测的正负样本，忽略了FN的影响，导致标签分布存在偏差，因此引入一个隐藏标签z，用来表示观测负样本是否是FN，然后分别建模四种数据的IW
wip、wrn等是由推导证明得来，
双分布模型结构：
loss：
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/129812.html