Bayesian Transfer Learning for Enhanced Estimation and Inference
贝叶斯迁移学习：面向高维线性回归的估计与推断改进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收缩、覆盖概率等理论性质，未涉及用户所列微观、宏观或金融领域细分方向，故不选择。
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…
贝叶斯迁移学习：面向高维线性回归的估计与推断改进
- 研究问题
- 摘要称，目标总体样本有限时，如何在利用相关研究知识提升估计的同时保持可靠的统计推断，尤其是多来源、仅有预训练模型而非个体数据的情形。
- 方法与思路
- 作者提出 TRADER，通过引导马蹄铁先验将目标参数向来源估计的加权平均收缩，允许来源尺度不同，并借助预训练模型实现多来源迁移；摘要称进行了后验收缩率与有限样本边缘后验的理论分析。
- 材料陈述的贡献
- 摘要称 TRADER 在来源与目标一致时获得比标准连续收缩先验更快的后验收缩率，并能防止异质来源带来的负迁移；其有限样本边缘后验在中等信号强度系数上达到期望的频率覆盖概率。
- 阅读关注点
- 应核对先验的具体构造与权重确定方式、理论结果所依赖的识别与正则条件、覆盖概率结论的适用范围，以及数值研究与实际数据应用的设计和对比基准。
- 阅读边界
- 仅凭摘要无法判断理论假设是否合理、模拟与实证细节是否稳健，也不能确认其相对其他方法的普遍优势；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Transfer learning enhances model performance in a target population with limited samples by leveraging knowledge from related studies. While many works focus on improving predictive performance, challenges of statistical inference persist. Bayesian approaches naturally offer uncertainty quantification for parameter estimates, yet existing Bayesian transfer learning methods are typically limited to single-source scenarios or require individual-level data. We introduce TRansfer leArning via guideD horseshoE prioR (TRADER), a novel approach enabling multi-source transfer through pre-trained models in high-dimensional linear regression. TRADER shrinks target parameters towards a weighted average of source estimates, accommodating sources with different scales. Theoretical investigation shows that TRADER achieves faster posterior contraction rates than standard continuous shrinkage priors when sources align well with the target while preventing negative transfer from heterogeneous sources. The analysis of finite-sample marginal posterior behavior reveals that TRADER achieves desired frequentist coverage probabilities, even for coefficients with moderate signal strength--a scenario where standard continuous shrinkage priors struggle. Extensive numerical studies and a real-data application estimating the association between blood glucose and insulin use in the Hispanic diabetic population demonstrate that TRADER improves estimation and inference accuracy over continuous shrinkage priors using target data alone, while outperforming a state-of-the-art transfer learning method that requires individual-level data.