Transfert learning and adaptive LASSO quantile
迁移学习与自适应 LASSO 分位数回归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：摘要核心是分位数回归的估计方法与渐近性质，直接对应分位数与分布效应这一细分方向；其余领域细分在摘要中缺乏文本依据。
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
迁移学习与自适应 LASSO 分位数回归
- 研究问题
- 摘要称，本文研究如何借助源数据库得到的估计量，在分位数回归中实现知识迁移，并同时保持估计的一致性与稀疏性。摘要未说明具体应用场景下的识别条件或迁移何时失效。
- 方法与思路
- 作者提出一种基于两个 L1 惩罚项的迁移学习分位数估计量，惩罚项以源数据库估计量为基准；摘要称研究了其收敛速度与渐近行为，并提出相应计算算法，用模拟和蛋白质三级结构理化性质的真实数据做说明。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出满足一致性与稀疏性的迁移学习分位数估计量，刻画其收敛速度与渐近性质，给出计算算法，并称其计算时间短于标准自适应 LASSO，且可适用于非高斯误差模型。
- 阅读关注点
- 阅读全文时应核对：两个 L1 惩罚的具体形式与调参方式、源估计量质量对迁移效果的影响、收敛速度所依赖的假设、算法复杂度与收敛性证明，以及模拟与实证中与 LASSO 比较的设定是否公平。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、定理条件是否现实、数值结果是否可复现，也无法确认与 LASSO 比较的全面性。该文为 arXiv 预印本，未经同行评审，不能据此声称已被期刊接收。
原文摘要
We propose for a quantile regression an estimation method for transferring knowledge using two $L_1$ penalties based on an estimator obtained from a source database. The proposed transfer learning estimator satisfies the properties of consistency and sparsity. Its convergence rate and asymptotic behavior are studied in several scenarios. This knowledge transfer results in a shorter computation time than that of the standard adaptive LASSO estimator. Another advantage of our method is that it can be applied to models with non-Gaussian errors. In addition, in order to implement the computing of the adaptive transfer LASSO quantile estimator, we propose an algorithm. The simulations confirm the theoretical results and demonstrate that the adaptive learning estimator, calculated using the proposed algorithm, is more competitive than the LASSO estimators. Finally, we illustrate the practical utility of the proposed transfer learning estimator and algorithm using a real-data application involving the physicochemical properties of protein tertiary structures.