Bayesian Transfer Learning for High-Dimensional Linear Regression via Adaptive Shrinkage
基于自适应收缩的高维线性回归贝叶斯迁移学习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：摘要聚焦高维线性回归的贝叶斯迁移学习方法与后验计算，未涉及所给微观、宏观或金融领域细分的具体问题，故不选择任何细分方向。
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
基于自适应收缩的高维线性回归贝叶斯迁移学习
- 研究问题
- 摘要称，研究问题是在高维线性回归中如何利用多个源数据做迁移学习，既提取有用信息源、又避免带来负迁移的偏误信息，并同时完成目标回归系数的预测与推断。
- 方法与思路
- 作者提出 BLAST 框架，用全局-局部收缩先验配合贝叶斯源选择，在贝叶斯模型平均下联合处理源选择与稀疏回归；后验模拟采用 Metropolis-within-Gibbs 抽样，以获得目标系数的完整后验推断。
- 材料陈述的贡献
- 摘要称该方法对目标系数的后验推断比仅用目标数据的正则化方法更准确，预测表现具竞争力，且不确定性量化优于现有迁移学习方法；并通过模拟研究和 TCGA 基因表达估计肿瘤突变负荷的案例加以验证。
- 阅读关注点
- 应核对源选择先验与收缩先验的具体设定、负迁移在何种条件下被抑制、模型平均如何影响频率学性质，以及模拟与 TCGA 案例的数据划分、评价指标和不确定性量化比较是否支持摘要中的结论。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证、模拟设计与基准方法的细节，也不能核实所声称的推断准确性与不确定性量化优势；该文为 arXiv 预印本，未经同行评审验证，不应据此称其已被期刊接收。
原文摘要
We introduce BLAST, Bayesian Linear regression with Adaptive Shrinkage for Transfer, a Bayesian multi-source transfer learning framework for high-dimensional linear regression. The proposed analytical framework leverages global-local shrinkage priors together with Bayesian source selection to balance information sharing and regularization. We show how Bayesian source selection allows for the extraction of the most useful data sources, while discounting biasing information that may lead to negative transfer. In this framework, both source selection and sparse regression are jointly accounted for in prediction and inference via Bayesian model averaging. The structure of our model admits efficient posterior simulation via a Metropolis-within-Gibbs sampling algorithm allowing full posterior inference for the target regression coefficients, making BLAST both computationally practical and inferentially straightforward. Our method achieves more accurate posterior inference for the target than regularization approaches based on target data alone, while offering competitive predictive performance and superior uncertainty quantification compared to current state-of-the-art transfer learning methods. We validate its effectiveness through extensive simulation studies and illustrate its analytical properties when applied to a case study on the estimation of tumor mutational burden from gene expression, using data from The Cancer Genome Atlas (TCGA).