Transfer Learning for Moderate-Dimensional Ridge-Regularized Robust Linear Regression
中等维度岭正则化稳健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：摘要讨论的是稳健线性回归的迁移学习估计与渐近误差，未涉及所列因果推断、面板、时间序列、资产定价等具体领域细分，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…
关注这篇论文的作者
中等维度岭正则化稳健线性回归的迁移学习
- 研究问题
- 研究在预测变量个数与样本量同阶、且不假设回归系数稀疏的中等维度情形下，如何借助源研究数据改进目标研究的岭正则化稳健线性回归估计。
- 方法与思路
- 作者提出 Trans-RR，将源研究的稳健岭估计与基于目标研究的稳健岭修正相结合，并在温和假设下刻画所提估计量的渐近估计误差。
- 材料陈述的贡献
- 摘要称，在温和假设下可刻画该估计量的渐近估计误差，并表明利用源数据相较传统单研究岭正则化稳健估计能显著提升估计精度；模拟与真实数据分析支持该理论，并展示随源与目标研究差异变化而出现的正迁移与负迁移。
- 阅读关注点
- 应核对中等维度的具体设定、稳健损失与岭惩罚的形式、源与目标差异的度量方式、渐近误差刻画所依赖的假设，以及正负迁移出现的条件与模拟和实证的具体设计。
- 阅读边界
- 仅凭摘要无法判断假设是否合理、误差界是否紧、模拟与实证是否充分，也无法确认与既有迁移学习方法的比较；该文为 arXiv 预印本，尚未经同行评审或期刊接收。
原文摘要
This paper studies transfer learning for ridge-regularized robust linear regression in the moderate-dimensional regime, where the number of predictors is of the same order as the sample size and the regression coefficients are not assumed to be sparse. We propose Trans-RR, which combines a robust ridge estimator from a source study with a robust ridge correction based on the target study. Under mild assumptions, we characterize the asymptotic estimation error of the proposed estimator and show that leveraging source data can substantially improve estimation accuracy relative to the traditional single-study ridge-regularized robust estimator. Simulation results and a real-data analysis support the theory and illustrate both positive and negative transfer as the discrepancy between the source and target studies varies.