TILT: Target-induced loss tilting under covariate shift
TILT：协变量漂移下的目标诱导损失倾斜
🧭 无监督域适应 · 重要性加权 · 协变量漂移
Massachusetts Institute of Technology
通过分解源预测器为 f+b 并在目标无标签数据上惩罚 b，实现无需密度比估计的隐式重要性加权域适应
📌 工作参考价值（4 点）
- 在电商推荐中，训练集与线上分布不符时，可将推荐模型分解为共享主体（f）和域偏置（b），用目标域无标签曝光数据惩罚 b 来矫正分布差异，部署时仅使用 f，避免密度比估计的不稳定。
- 该方法对正则化超参数不敏感，实验中在一个宽范围内表现稳定，适合工业场景调参困难的问题。
- 理论保证了即使源目标域支持不相交，b 的范数仍一致有界，避免极端偏移下的失效，可应用于用户群体差异巨大的跨市场推荐。
- 实现简单：只需在原损失中增加目标侧对 b 的惩罚项，支持任何梯度下降框架，可快速集成到现有模型中。