Transfer Learning for Robust Structured Regression with Bi-level Source Detection
面向稳健结构化回归的迁移学习与双层源域检测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：摘要聚焦迁移学习下的稳健结构化回归与源域检测方法，未涉及因果推断、面板、离散选择、时间序列或金融计量等给定细分方向的直接文本依据，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…
关注这篇论文的作者
面向稳健结构化回归的迁移学习与双层源域检测
- 研究问题
- 摘要称，现代高维数据常跨多个域，如何利用源域辅助信息提升目标域表现，同时应对被忽视的数据污染问题，是本文关注的研究问题。
- 方法与思路
- 作者提出 TransL2E 方法，在结构化回归框架下采用稳健的 L2E 准则，同时处理目标域与源域数据的污染，并引入数据驱动的双层源域检测机制，在个体与队列两个层面运作。
- 材料陈述的贡献
- 摘要称，TransL2E 在稳健估计之外提供双层源域检测，相对既有源域检测方法具有多重优势；模拟研究与一个真实数据应用显示其在数据受限与污染情形下的稳健估计和结构恢复表现更优。
- 阅读关注点
- 阅读全文时应核对：结构化回归的具体形式与识别条件、L2E 准则下污染建模方式、双层源域检测的算法与理论保证、模拟设计及真实数据（如 COVID-19 死亡率）的适用性。
- 阅读边界
- 仅凭摘要无法判断估计量的一致性、收敛率等理论结果，也无法核实“更优”的对比基准与数值；摘要未说明具体数据来源、样本规模与实现细节。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
High-dimensional data in modern applications, such as COVID-19 mortality, often span multiple domains. Leveraging auxiliary information from source domains to improve performance in a target domain motivates the use of transfer learning. However, a practical issue that has been overlooked is data contamination, which induces heterogeneity and can significantly degrade transfer learning performance. To address this challenge, we propose a novel approach that tackles transfer learning under data contamination within a structured regression setting. By employing the robust L2E criterion, we develop the TransL2E method that accounts for contamination in both target and source data while effectively transferring relevant information. Beyond robust estimation, TransL2E introduces a data-driven bi-level source detection mechanism, operating at both individual and cohort levels, which possesses multiple advantages over existing source detection approaches. Comprehensive simulation studies and a real data application demonstrate the superior performance of TransL2E in both robust estimation and structure recovery in the presence of data limitation and contamination.