Robust transfer learning with unreliable source data
使用不可靠源数据的稳健迁移学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用分类迁移学习；逻辑回归的出现不足以将其归入离散选择或其他所列计量细分。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
使用不可靠源数据的稳健迁移学习
- 研究问题
- 当源分布与目标分布的分类信号较弱或存在歧义时，如何利用源数据改善目标分类，同时控制负迁移的风险？
- 方法与思路
- 作者定义衡量源与目标回归函数差异的歧义水平，提出围绕分类边界迁移的 TAB 方法，以阈值平衡两类数据的作用。
- 材料陈述的贡献
- 摘要称，建立歧义水平与风险改善的理论联系，并在非参数分类和逻辑回归中得到仅差对数因子的最优上界及模拟支持。
- 阅读关注点
- 应核对歧义水平的定义、TAB 阈值的选择、源与目标分布条件，以及避免负迁移和近最优风险界的适用范围。
- 阅读边界
- 所给材料是 arXiv 预印本摘要，不能据此认定已同行评审或期刊接收；所附 DOI 不能替代刊本核对，具体理论条件未说明。
原文摘要
This paper addresses challenges in robust transfer learning stemming from ambiguity in Bayes classifiers and weak transferable signals between the target and source distribution. We introduce a novel quantity called the ''ambiguity level'' that measures the discrepancy between the target and source regression functions, propose a simple transfer learning procedure, and establish a general theorem that shows how this new quantity is related to the transferability of learning in terms of risk improvements. Our proposed ''Transfer Around Boundary'' (TAB) model, with a threshold balancing the performance of target and source data, is shown to be both efficient and robust, improving classification while avoiding negative transfer. Moreover, we demonstrate the effectiveness of the TAB model on non-parametric classification and logistic regression tasks, achieving upper bounds which are optimal up to logarithmic factors. Simulation studies lend further support to the effectiveness of TAB. We also provide simple approaches to bound the excess misclassification error without the need for specialized knowledge in transfer learning.