Transfer Learning for High-dimensional Quantile Regression with Distribution Shift
分布偏移下的高维分位数回归迁移学习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：摘要以高维分位数回归为核心方法对象，属于分位数与分布效应方向；其余候选细分未在摘要中体现直接文本依据。
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…
分布偏移下的高维分位数回归迁移学习
- 研究问题
- 摘要称，研究如何在目标研究与来源研究存在分布偏移时，利用来源知识提升高维分位数回归的估计与推断效率，并同时处理参数偏移、协变量偏移和残差偏移三类差异。
- 方法与思路
- 作者提出可迁移集合与新的迁移框架以应对三类分布偏移，建立非渐近估计误差界与来源检测相合性，并提出正交去偏方法用于带知识迁移的统计推断。
- 材料陈述的贡献
- 摘要明确陈述的贡献包括：面向三类分布偏移的高维分位数回归迁移框架、非渐近误差界与来源检测相合性，以及带来更锐利渐近结果的正交去偏推断方法，并以模拟和实际数据说明有效性。
- 阅读关注点
- 应核对三类偏移的具体定义与可迁移集合的构造条件、来源检测相合性所需假设、非渐近界的速率与维数依赖，以及正交去偏推断的渐近分布与覆盖性质。
- 阅读边界
- 仅凭摘要无法判断识别假设是否合理、定理条件是否可验证、模拟与实证的具体设定及结果，也不能据此认定方法优于既有迁移方法；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Information from related source studies can often enhance the findings of a target study. However, the distribution shift between target and source studies can severely impact the efficiency of knowledge transfer. In the high-dimensional regression setting, existing transfer approaches mainly focus on the parameter shift. In this paper, we focus on the high-dimensional quantile regression with knowledge transfer under three types of distribution shift: parameter shift, covariate shift, and residual shift. We propose a novel transferable set and a new transfer framework to address the above three discrepancies. Non-asymptotic estimation error bounds and source detection consistency are established to validate the availability and superiority of our method in the presence of distribution shift. Additionally, an orthogonal debiased approach is proposed for statistical inference with knowledge transfer, leading to sharper asymptotic results. Extensive simulation results as well as real data applications further demonstrate the effectiveness of our proposed procedure.