Transfer Learning with Heterogeneous Feature Spaces in Linear Regression
异质特征空间下线性回归的迁移学习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：摘要研究通用回归迁移学习，未明确对应所列计量领域的应用。
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
异质特征空间下线性回归的迁移学习
- 研究问题
- 当各来源数据只观测目标协变量的一部分时，如何处理整块缺失并迁移信息，使插补与加权服务于目标回归参数估计？
- 方法与思路
- 作者提出异质重要性加权，以投影插补对齐特征空间并选择样本进行加权，另用分类方法和伪响应估计权重所需条件误差密度。
- 材料陈述的贡献
- 摘要称该框架适用于低维与高维线性回归，建立逐坐标和整体收敛率，并通过数值研究及真实数据展示方法有效性。
- 阅读关注点
- 应核对来源与目标之间允许的差异、投影矩阵选择和样本筛选规则，以及权重估计误差如何进入收敛率与比较结果。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未经核实。摘要未说明迁移成立的具体条件、真实数据细节或效果幅度。
原文摘要
Transfer learning improves target-task performance by leveraging related source data. Most methods assume shared feature spaces, yet in many applications, each source observes only a subset of target covariates. Classical imputation fails here due to block missingness, and standard imputation matrices are not optimized for target parameter estimation. We study low- and high-dimensional linear regression and propose Heterogeneous Importance Weighting (HIW). Our method aligns feature spaces via projection-based imputation and transfers information through sample-selected importance weighting. This framework accommodates diverse projection matrices to construct target-oriented imputation. We develop a classification-based procedure with pseudo-responses to estimate conditional error densities for the weights. We establish entry-wise and global convergence rates for the estimator, with numerical and real-data studies demonstrating its effectiveness.