PulseAugur
中
实时 10:31:42
English(EN) Heterogeneous transfer learning for high-dimensional regression with feature mismatch

新的HTL方法解决了特征不匹配的高维回归问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的异构迁移学习（HTL）方法，该方法专为源域和目标域特征集不同的高维回归任务而设计。该方法解决了现有方法需要相同特征空间的局限性。提出的HTL技术首先学习一个特征映射来填充目标域中缺失的变量，然后应用两步迁移学习过程进行惩罚回归。该方法包括对估计和预测误差的理论保证，达到了最优速率，并在某些情况下优于同构迁移学习。它还包含了针对来自对抗性源的负迁移的防御措施。 AI

影响 这项研究为特征数据不同的迁移学习场景提供了一种更鲁棒的方法，有可能在数据可用性不同的实际应用中提高模型性能。

排序理由 该集群包含一篇详细介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的HTL方法解决了特征不匹配的高维回归问题

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Jae Ho Chang, Massimiliano Russo, Subhadeep Paul ·

    面向特征不匹配的高维回归的异构迁移学习

    arXiv:2412.18081v3 Announce Type: replace Abstract: We study Heterogeneous Transfer Learning (HTL) for high-dimensional regression with differing feature sets. Such feature mismatch arises when some variables available in a data-rich source domain are unavailable in a data-poor t…

相关话题