English(EN) When to Transfer: Adaptive Source Selection for Positive Transfer in Linear Models

新的迁移学习方法优化了线性模型的源选择

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-14 04:00

研究人员开发了一种用于线性模型迁移学习的新方法，专注于目标任务标记数据有限的场景。该方法自适应地选择从哪些源数据集迁移以及使用多少样本，采用基于估计迁移增益的接受/拒绝规则。该方法旨在最大化正向迁移并最小化负向迁移，在合成数据和真实世界数据的实验中，与现有基线相比均显示出持续的收益。 AI

影响引入了一种新颖的统计技术，用于优化机器学习中的数据迁移，有可能在数据稀缺的环境中提高模型性能。

排序理由详细介绍迁移学习新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Hamza Cherkaoui, H\'el\`ene Halconruy, Yohan Petetin · 2026-05-14 04:00

何时迁移：线性模型中正迁移的自适应源选择

arXiv:2510.16986v2 Announce Type: replace Abstract: In many business settings, task-specific labeled data are scarce or costly to obtain, limiting supervised learning on a target task. A classical response is transfer learning (TL). Many TL works study how to transfer information…