Cross-Semantic Transfer Learning for High-Dimensional Linear Regression
面向高维线性回归的跨语义迁移学习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。
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：摘要讨论高维线性回归的迁移学习估计与理论性质，未涉及用户所列因果推断、面板、时间序列、资产定价等具体领域细分，故不选择。
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…
面向高维线性回归的跨语义迁移学习
- 研究问题
- 摘要称，现有高维线性回归迁移学习方法假定源域与目标域特征对齐，因而无法处理特征语义不匹配但预测角色相似的情形；本文研究如何利用这种跨语义相似性进行迁移。
- 方法与思路
- 作者提出跨语义迁移学习（CSTL）框架，将每个目标系数与所有源系数通过加权融合惩罚进行比较；权重取自 SCAD 惩罚的导数，用以近似理想加权方案，并用交替方向乘子法（ADMM）实现计算。
- 材料陈述的贡献
- 摘要称，CSTL 能保留可迁移信号并过滤源域特有噪声；理论上在温和条件下以趋于 1 的概率达到 oracle 估计量；模拟与一个真实数据应用显示其在跨语义与部分信号相似情形下优于现有方法。
- 阅读关注点
- 应核对跨语义相似性的正式定义与识别条件、加权融合惩罚的具体形式及 SCAD 导数权重的构造、oracle 性质所需的假设与证明范围、ADMM 的收敛与调参细节，以及模拟设计和真实数据应用的可复现性。
- 阅读边界
- 仅凭摘要无法判断假设是否合理、理论证明是否完整、模拟与实证是否支持所声称的优越性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Current transfer learning methods for high-dimensional linear regression assume feature alignment across domains, restricting their applicability to semantically matched features. In many real-world scenarios, however, distinct features in the target and source domains can play similar predictive roles, creating a form of cross-semantic similarity. To leverage this broader transferability, we propose the Cross-Semantic Transfer Learning (CSTL) framework. It captures potential relationships by comparing each target coefficient with all source coefficients through a weighted fusion penalty. The weights are derived from the derivative of the SCAD penalty, effectively approximating an ideal weighting scheme that preserves transferable signals while filtering out source-specific noise. For computational efficiency, we implement CSTL using the Alternating Direction Method of Multipliers (ADMM). Theoretically, we establish that under mild conditions, CSTL achieves the oracle estimator with overwhelming probability. Empirical results from simulations and a real-data application confirm that CSTL outperforms existing methods in both cross-semantic and partial signal similarity settings.