Transfer learning for piecewise-constant mean estimation: optimality, ℓ 1 and ℓ 0 penalization
分段常数均值估计的迁移学习：最优性与ℓ₁、ℓ₀惩罚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。
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：摘要讨论通用分段常数信号估计，未明确给出经济时间序列、结构变点推断或金融场景。
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…
分段常数均值估计的迁移学习：最优性与ℓ₁、ℓ₀惩罚
- 研究问题
- 当目标信号之外还有相关但可能差异明显的源数据时，如何利用不同观测频率改善分段常数均值估计并选择有用来源？
- 方法与思路
- 作者先研究单源下分别采用ℓ₁与ℓ₀惩罚的迁移估计量，再扩展到多源，并引入信息源筛选算法以降低估计误差。
- 材料陈述的贡献
- 摘要称带多源选择的估计量达到极小极大最优性，方法利用更高观测频率，并在数值实验中优于只使用目标数据的估计。
- 阅读关注点
- 应核对源与目标差异的定义、不同频率数据的对齐方式、来源筛选准则，以及极小极大风险界和负迁移的控制条件。
- 阅读边界
- 所给Crossref摘要未列源数据相关性条件、风险界或改善幅度；分段常数均值估计结果不能直接视为变点检测或金融高频结论。
原文摘要
Summary We study transfer learning for estimating piecewise-constant signals when source data, which may be relevant but disparate, are available in addition to target data. We first investigate transfer learning estimators that respectively employ $ \ell_{1} $ and $ \ell_{0} $ penalties for unisource data scenarios and then generalize these estimators to accommodate multisources. To further reduce estimation errors, especially when some sources significantly differ from the target, we introduce an informative source selection algorithm. We then examine these estimators with multisource selection and establish their minimax optimality. Unlike the common narrative in the transfer learning literature that the performance is enhanced through large source sample sizes, our approaches leverage higher observational frequencies and accommodate diverse frequencies across multiple sources. Our extensive numerical experiments show that the proposed transfer learning estimators significantly improve estimation performance compared to estimators that only use the target data.