When few labeled target data suffice: a theory of semi-supervised domain adaptation via fine-tuning from multiple adaptive starts
少量目标域标签何时足够：多自适应起点微调的半监督域适应理论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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要的目标是分布偏移下的预测与样本复杂度，虽使用结构因果模型，但未直接研究所列微观因果效应或宏观金融问题。
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
少量目标域标签何时足够：多自适应起点微调的半监督域适应理论
- 研究问题
- 当源域与目标域的分布差异来自低维干预时，能否利用源域和无标签目标数据，仅靠少量目标标签实现准确预测？
- 方法与思路
- 作者在结构因果模型下分析三类干预，提出相应半监督域适应方法；分布偏移不明确时，从多个自适应起点微调并用验证集选择。
- 材料陈述的贡献
- 摘要称，各干预模型下的方法达到极小极大最优表现，标签复杂度随干预维度变化；多起点选择仅增加起点数量的对数开销。
- 阅读关注点
- 应核对三类干预的具体结构、共享部分的可识别性、最优性适用的损失和模型类，以及小验证集下选择保证的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出干预模型和定理条件，结构因果表述不代表研究处理效应估计。
原文摘要
Semi-supervised domain adaptation (SSDA) seeks to achieve accurate predictions in a target domain with limited labeled target data by exploiting abundant source and unlabeled target data. We study this problem under structural causal models (SCMs), which provide a statistical framework to describe distribution shifts between source and target domains as interventions in the data-generating process rather than ad hoc changes in model parameters. The central phenomenon is that, under low-dimensional interventions, source and unlabeled target data can help identify the high-dimensional shared structure, leaving only a low-dimensional target-specific correction to be learned from limited labeled target data. We formalize this principle for three canonical intervention models and propose the corresponding SSDA methods FT-DIP, FT-OLS-Src and FT-CIP. Under each intervention model, we demonstrate how extending an unsupervised domain adaptation (UDA) method to SSDA can achieve minimax-optimal target performance with limited target labels, with the labeled-target sample complexity scaling with the intervention dimension rather than the ambient dimension. When the distribution shift is underspecified, we propose the Multi-Adaptive-Start Fine-Tuning (MASFT) algorithm, which fine-tunes from multiple adaptive starts and selects among them using a small target validation set, incurring only logarithmic overhead in the number of starts. We validate the effectiveness of our proposed methods through simulated and real data experiments.