Joint-Sparse Transfer Learning for High-Dimensional Multi-Output Regression
高维多输出回归的联合稀疏迁移学习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：摘要研究通用多输出回归与生物数据迁移，未明确涉及指定经济计量细分领域。
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
高维多输出回归的联合稀疏迁移学习
- 研究问题
- 当目标域样本有限、源域数据丰富但异质时，如何同时利用响应间共享的预测变量结构与域间相似性，并控制迁移偏差？
- 方法与思路
- 作者提出联合稀疏迁移框架，构造汇总域特定系数的融合估计量，以及利用目标域修正源域偏移的去偏估计量。
- 材料陈述的贡献
- 摘要称误差界揭示迁移收益与偏差代价，并对照极小极大下界区分已匹配和未解决的区域，部分差距可由约束投影缩小。
- 阅读关注点
- 应核对联合稀疏与域间相似性的定义、两类估计量的适用区域、下界匹配的条件，以及模拟和单细胞应用的比较设置。
- 阅读边界
- 依据 arXiv v1 预印本摘要，不能据此声称已经同行评审或期刊接收。具体误差界条件、未解决区域及应用数值均未提供。
原文摘要
Multitask linear models can improve estimation and prediction by exploiting structure shared across responses, bridging taskwise fitting and complete pooling. In many applications, however, the objective is estimation in a data-limited target domain, while data-rich but heterogeneous source domains are available. Borrowing from these sources can improve efficiency but introduce bias. We develop a joint-sparse transfer-learning framework for high-dimensional multi-output regression that combines shared predictor structure across responses with source-target similarity. The framework yields two complementary estimators: a fused estimator that aggregates jointly fitted domain-specific coefficients and a target-based debiased estimator that adjusts for source-induced shifts. Our error bounds show how transfer increases the available information and sharing predictors across responses reduces selection costs. They also reveal a tradeoff: the fused estimator benefits from larger sources but may retain bias if source shifts point in similar directions, whereas debiasing trades this bias for additional estimation error governed by the smaller target sample. Comparison with a minimax lower bound identifies regimes where the bounds match up to logarithmic factors, where matching remains unresolved, and where projection onto a target-based convex set closes the gap. Simulations and an analysis of single-cell RNA and surface-protein profiles across cell types support the theory.