Generalized optimal parameter-transfer learning through Mallows-type model averaging
通过 Mallows 型模型平均实现广义最优参数迁移学习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：摘要明确包含面板数据设置的扩展；主要参数迁移与模型平均理论未对应其他给定细分方向。
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
通过 Mallows 型模型平均实现广义最优参数迁移学习
- 研究问题
- 多个来源数据存在异质性且仅共享来源端参数估计时，如何组合来源与目标模型，降低目标预测风险并筛选有信息的来源？
- 方法与思路
- 作者在参数迁移框架中建立 Mallows 型模型平均准则，除与权重无关的项外无偏估计目标预测风险，并讨论半参数和面板扩展。
- 材料陈述的贡献
- 摘要称，目标模型错设时权重渐近最优，正确设定时渐近只向有信息来源分配权重，且这些保证不要求任一来源模型正确设定。
- 阅读关注点
- 应核对来源估计共享的内容、准则构造、最优性的比较集合及错设条件，并检查面板扩展与房价应用是否满足相应理论要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未列正则条件和有限样本风险，渐近保证不能直接视为任意迁移任务有效。
原文摘要
In many economic applications, multiple source datasets are available, but their effective combination is challenging due to heterogeneity across datasets. To address this problem, we study a parameter-transfer framework that shares only source-side estimates and propose a Mallows-type model averaging method for combining target and source models in the parametric setting. The weights are obtained from a Mallows-type criterion that is unbiased for the target prediction risk up to a weight-independent term, extending the classical Mallows criterion to the parameter-transfer framework. We establish that the proposed weights are asymptotically optimal when the target model is misspecified, and asymptotically allocate weights only to informative sources when the target model is correctly specified. These guarantees do not require any source model to be correctly specified. We also consider extensions of the framework to semiparametric and panel data settings. Simulation studies and house price application further demonstrate the effectiveness of our approach.