Structure-based Transfer Learning
基于结构信息的迁移学习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：摘要研究通用线性模型迁移学习，所给应用为基因表达，没有直接对应所列经济计量细分。
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
基于结构信息的迁移学习
- 研究问题
- 当相关来源的数据与拟合模型均不可获取时，能否仅利用预测变量支持集等结构信息改进目标研究，同时抵御错误信息？
- 方法与思路
- 作者在线性模型中将多个来源的支持集映射至目标参数空间，以数据驱动权重聚合，再通过稀疏校正处理不准确支持集。
- 材料陈述的贡献
- 摘要称建立非渐近保证：支持集有信息时优于仅用目标数据的Lasso，否则不更差，并用模拟与基因表达应用佐证。
- 阅读关注点
- 应核对支持集的信息性定义、映射与聚合步骤、稀疏校正的条件，以及“不更差”针对何种风险和比较标准。
- 阅读边界
- 材料是arXiv预印本v1，不能据此声称同行评审或期刊接收；摘要未说明保证的具体条件，不能解释为任意来源下无条件改进。
原文摘要
Transfer learning improves estimation in a target study using information from related sources. Classical transfer learning is typically data-based, requiring access to the source data or to a model fitted on them. Neither is available in many modern studies, as both are often proprietary or unreported. What can be transferred instead is structure: summarized information derived from a source, such as the supports of predictors, which is available and interpretable without access to the source data or model. The prevalence of the Large Language Model (LLM) provides a rich source of such structure information. However, data-based transfer learning can not well utilize it as accessing the data and model of the LLM is often infeasible. In this paper, we propose a novel transfer learning framework based on structure. In particular, we focus on linear model and aim to use supports generated by multiple agents, such as LLM, to improve estimation in the target study. Our procedure maps each support into the target parameter space, aggregates the results with data-driven weights, and applies a sparse correction against inaccurate supports. We establish nonasymptotic guarantees: the estimator improves on the target-only Lasso when the supports are informative and never does worse otherwise. Simulations and a gene-expression application confirm both properties.