Transfer Learning and Locally Linear Regression for Locally Stationary Time Series
局部平稳时间序列的迁移学习与局部线性回归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：摘要直接研究局部平稳时间序列的回归平滑与跨来源迁移估计。
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
局部平稳时间序列的迁移学习与局部线性回归
- 研究问题
- 局部平稳时间序列的局部线性估计具有怎样的误差结构？如何从密集观测的相关来源迁移信息，改善稀疏观测目标序列的估计？
- 方法与思路
- 作者在强混合条件下推导多元局部线性估计的一致收敛与误差展开，再用随时间和协变量平滑变化的偏差函数构造偏差校正迁移估计。
- 材料陈述的贡献
- 摘要称，局部平稳性引入的误差项比局部常数基准阶数更小；局部时间调整可增强迁移稳定性，模拟及国际燃油价格应用支持其分析。
- 阅读关注点
- 应核对局部平稳性与强混合条件、带宽和样本密度要求，以及跨来源偏差函数的可估性、误差传播和时间调整对负迁移的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未给出具体收敛率、来源相似性条件或比较数值，不能据此保证所有迁移均改善估计。
原文摘要
This paper investigates locally linear regression for locally stationary time series and develops theoretical results for locally linear smoothing and transfer learning. Existing analyses have focused on local constant estimators and given samples, leaving the principles of transferring knowledge from auxiliary sources across heterogeneous time-varying domains insufficiently established. We derive uniform convergence for multivariate locally linear estimators under strong mixing. The resulting error expansion decomposes stochastic variation, smoothing bias, and a term induced by local stationarity. This additional term, originating from the locally stationary structure, has smaller order than in the Nadaraya-Watson benchmark, explaining the improved local linear performance. Building on these results, we propose bias-corrected transfer learned estimators that connect a sparsely observed series with densely observed related sources through a smoothly varying bias function defined over rescaled time and covariates. An additional refinement shows how local temporal adjustment of this bias enhances stability and enables efficient information borrowing across domains. Simulation studies and an empirical analysis of international fuel prices support the theoretical predictions and demonstrate the practical advantages of transfer learning.