Beyond Source-Level Transfer: Sample-Level Learning for High-Dimensional Quantile Regression
超越来源域整体迁移：高维分位数回归的样本级学习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：摘要直接研究高维分位数回归估计及其迁移学习误差界，与分位数和分布分析方法密切相关。
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
超越来源域整体迁移：高维分位数回归的样本级学习
- 研究问题
- 目标样本有限且来源域异质时，如何在各来源域内部筛选可迁移样本，改善高维分位数回归估计？
- 方法与思路
- 作者将样本筛选与自适应重要性加权结合，利用与分位数损失相关的一维密度构造权重，并通过样本拆分和交叉拟合实施。
- 材料陈述的贡献
- 摘要称建立了误差界和来源域有效样本量刻画；在所考察的预言设定中，方法比现有竞争方法具有更快的二范数收敛率。
- 阅读关注点
- 应核对可迁移样本的判定、密度估计与权重条件，以及预言结果和未知情形算法之间的差距及负迁移防护。
- 阅读边界
- 依据 arXiv v1 预印本摘要，同行评审或期刊接收未经核实；更快收敛率限于所述预言设定和研究范围，不能推广至所有数据。
原文摘要
This paper studies transfer learning for high-dimensional quantile regression with limited target samples and heterogeneous source domains. We propose a sample-level transfer learning method (SL-TL) that combines sample selection and importance weighting. Unlike existing source-level approaches that include or exclude entire source domains, SL-TL identifies transferable samples within each source domain and incorporates them through adaptive importance weights. The proposed weights rely only on one-dimensional densities associated with the quantile loss, avoiding the estimation of high-dimensional density ratios. We establish error bounds for SL-TL estimators and characterize the effective sample size contributed by source domains. In the oracle setting, we show that SL-TL achieves faster $\ell_2$-convergence rates than existing competitors under the considered regimes. For the unknown setting, we develop an implementable algorithm based on sample splitting and cross-fitting procedures. Extensive simulations and a real data analysis demonstrate the finite-sample performance and robustness of SL-TL.