Transfer learning for high-dimensional Factor-augmented sparse linear model
高维因子增强稀疏线性模型的迁移学习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：摘要研究通用潜在因子回归迁移，虽提及经济金融动机，但未明确宏观因子或金融因子的具体研究对象。
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
高维因子增强稀疏线性模型的迁移学习
- 研究问题
- 目标样本有限、预测变量高度相关且存在潜在因子时，如何利用异质辅助数据改善估计，并避免不相关来源造成负迁移？
- 方法与思路
- 作者在因子增强稀疏线性模型中构建迁移估计与数据驱动来源筛选，同时提出因子模型适切性检验和系数同时置信区间。
- 材料陈述的贡献
- 摘要称给出非渐近 ℓ₁、ℓ₂ 误差界，证明来源识别算法一致性，并通过数值研究展示异质数据下的精度改善。
- 阅读关注点
- 应核对因子与稀疏部分的分解、来源相似性的定义、误差界依赖的维度和样本量，以及来源筛选与同时推断的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验；摘要未说明迁移有效性的具体条件、误差界表达式或数值增益。
原文摘要
In this paper, we study transfer learning for high-dimensional factor-augmented sparse linear models, motivated by applications in economics and finance where strongly correlated predictors and latent factor structures pose major challenges for reliable estimation. Our framework simultaneously mitigates the impact of high correlation and removes the additional contributions of latent factors, thereby reducing potential model misspecification in conventional linear modeling. In such settings, the target dataset is often limited, but multiple heterogeneous auxiliary sources may provide additional information. We develop transfer learning procedures that effectively leverage these auxiliary datasets to improve estimation accuracy, and establish non-asymptotic $\ell_1$- and $\ell_2$-error bounds for the proposed estimators. To prevent negative transfer, we introduce a data-driven source detection algorithm capable of identifying informative auxiliary datasets and prove its consistency. In addition, we provide a hypothesis testing framework for assessing the adequacy of the factor model, together with a procedure for constructing simultaneous confidence intervals for the regression coefficients of interest. Numerical studies demonstrate that our methods achieve substantial gains in estimation accuracy and remain robust under heterogeneity across datasets. Overall, our framework offers a theoretical foundation and a practically scalable solution for incorporating heterogeneous auxiliary information in settings with highly correlated features and latent factor structures.