A linear adjustment-based approach to posterior drift in transfer learning
通过线性调整处理迁移学习中的后验漂移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。
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：摘要研究通用迁移学习和二分类，所述预测应用不属于金融收益或宏观预测。
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…
通过线性调整处理迁移学习中的后验漂移
- 研究问题
- 当目标域与源域的条件结果关系发生变化时，能否在合适尺度上用线性调整建模这种漂移，并改善目标域二分类？
- 方法与思路
- 作者将目标域回归函数设为源域回归函数在适当尺度上的线性调整，借鉴广义线性模型等结构并研究分类估计量的理论性质。
- 材料陈述的贡献
- 摘要称，该设定灵活且适用于多种统计场景，并通过跨人群死亡预测和处理图像数据源域伪相关的应用展示其用途。
- 阅读关注点
- 应核对调整尺度与参数的选择、目标域样本需求、源域估计误差如何传递，以及线性漂移模型和伪相关处理的适用条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断线性漂移假设的可检验性或模型误设影响；两项应用也不足以证明普遍迁移收益。
原文摘要
Summary We present new models and methods for the posterior drift problem where the regression function in the target domain is modelled as a linear adjustment, on an appropriate scale, of that in the source domain, and study the theoretical properties of our proposed estimators in the binary classification problem. The core idea of our model inherits the simplicity and the usefulness of generalized linear models and accelerated failure time models from the classical statistics literature. Our approach is shown to be flexible and applicable in a variety of statistical settings, and can be adopted for transfer learning problems in various domains including epidemiology, genetics and biomedicine. As concrete applications, we illustrate the power of our approach (i) through mortality prediction for British Asians by borrowing strength from similar data from the larger pool of British Caucasians, using the UK Biobank data, and (ii) in overcoming a spurious correlation present in the source domain of the Waterbirds dataset.