Transfer learning for functional mean estimation: Phase transition and adaptive algorithms
函数均值估计的迁移学习：相变与自适应算法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：摘要讨论一般函数型数据的迁移估计，未指向宏观预测、因子模型或其他所列经济细分方向。
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…
关注这篇论文的作者
函数均值估计的迁移学习：相变与自适应算法
- 研究问题
- 当随机函数仅被离散观测、另有相似但不同分布的源样本时，迁移信息何时能够改善目标函数均值估计及其收敛速率？
- 方法与思路
- 作者分别分析共同与独立观测设计的极小极大速率，并提出数据驱动的自适应算法，在多类参数空间上达到带对数因子的最优速率。
- 材料陈述的贡献
- 摘要称，两种设计均呈现相变，低采样频率下源样本有益；所提自适应算法具有近最优速率，模拟进一步支持其有效性。
- 阅读关注点
- 应核对两种设计的定义、源与目标差异的限制、相变阈值和参数空间，以及对数损失、自适应步骤与模拟比较设置。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；摘要未给出具体速率、相变阈值或分布相似性条件，不能判断任意源样本是否有益。
原文摘要
This paper studies transfer learning for estimating the mean of random functions based on discretely sampled data, where in addition to observations from the target distribution, auxiliary samples from similar but distinct source distributions are available. The paper considers both common and independent designs and establishes the minimax rates of convergence for both designs. The results reveal an interesting phase transition phenomenon under the two designs and demonstrate the benefits of utilizing the source samples in the low sampling frequency regime. For practical applications, this paper proposes novel data-driven adaptive algorithms that attain the optimal rates of convergence within a logarithmic factor simultaneously over a large collection of parameter spaces. The theoretical findings are complemented by a simulation study that further supports the effectiveness of the proposed algorithms.