DEFUSE模型

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：