Covariate-Elaborated Robust Partial Information Transfer with Conditional Spike-and-Slab Prior
协变量细化的稳健部分信息迁移：条件尖峰-平板先验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：摘要讨论的是高维贝叶斯迁移学习方法与变量选择理论，未涉及因果推断、面板、离散选择、时间序列或金融计量等所提供领域细分的具体内容，故不选择任何细分方向。
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…
协变量细化的稳健部分信息迁移：条件尖峰-平板先验
- 研究问题
- 摘要称，现有统计迁移学习方法通常采用源数据与目标数据之间的全局相似性度量，当只有部分信息共享时可能效率低下；本文关注高维数据分析中如何实现稳健的部分信息迁移。
- 方法与思路
- 作者提出名为 CONCERT 的贝叶斯迁移学习方法，在目标参数与源参数的联合分布中引入条件尖峰-平板先验，通过协变量特定的先验刻画部分相似性并协同整合源信息；采用变分贝叶斯框架实现算法可扩展性。
- 材料陈述的贡献
- 摘要称 CONCERT 是一步式方法，可同时实现变量选择与信息迁移；作者建立了变量选择相合性以及估计与预测误差界，理论展示了迁移学习的协变量特定收益，并通过大量实验和两个真实数据应用展示其相对现有前沿迁移学习方法的有效性。
- 阅读关注点
- 应核对条件尖峰-平板先验的具体构造与识别条件、变量选择相合性和误差界所依赖的假设、变分近似的误差保证，以及实验设置与真实数据应用中“部分相似性”的实际含义。
- 阅读边界
- 仅凭摘要无法判断定理假设的强度、证明细节、模拟与真实数据的可比性，也无法核实“优于现有方法”的具体程度；摘要未说明数据来源、样本规模与超参数选择方式。
原文摘要
The popularity of transfer learning stems from the fact that it can borrow information from useful auxiliary datasets. Existing statistical transfer learning methods usually adopt a global similarity measure between the source data and the target data, which may lead to inefficiency when only partial information is shared. In this paper, we propose a novel Bayesian transfer learning method named ``CONCERT'' to allow robust partial information transfer for high-dimensional data analysis. A conditional spike-and-slab prior is introduced in the joint distribution of target and source parameters for information transfer. By incorporating covariate-specific priors, we can characterize partial similarities and integrate source information collaboratively to improve the performance on the target. In contrast to existing work, the CONCERT is a one-step procedure which achieves variable selection and information transfer simultaneously. We establish variable selection consistency, as well as estimation and prediction error bounds for CONCERT. Our theory demonstrates the covariate-specific benefit of transfer learning. To ensure the scalability of the algorithm, we adopt the variational Bayes framework to facilitate implementation. Extensive experiments and two real data applications showcase the validity and advantages of CONCERT over existing cutting-edge transfer learning methods.