English(EN) Harnessing Source Heterogeneity for Cluster-Structured Transfer Learning

新的迁移学习方法解决了源异构性问题

作者 PulseAugur 编辑部 · [2 个来源] · 2026-06-03 16:09

研究人员开发了一种名为Trans-GLMC的新迁移学习方法，以解决机器学习中的源异构性问题。当辅助数据源的相关性不均等且可以分组为集群时，这种方法特别有用。该方法的研究动机是利用来自27家医院的数据对自杀风险进行研究，其中无差别地汇总数据可能会掩盖重要的特定于机构的差异。 AI

影响通过考虑辅助数据源的结构化差异，引入了一种改进迁移学习的新颖方法。

排序理由该集群包含一篇详细介绍新方法的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv stat.ML TIER_1 English(EN) · Xiaohui Yin, Jun Jin, Shane J. Sacco, Robert H. Aseltine, Kun Chen · 2026-06-05 04:00

利用源异构性实现集群结构迁移学习

arXiv:2606.05258v1 Announce Type: new Abstract: Transfer learning is a natural strategy when a target population has limited data but multiple related auxiliary sources are available. A central difficulty is source heterogeneity: auxiliary sources may not be equally useful, and t…
arXiv stat.ML TIER_1 English(EN) · Kun Chen · 2026-06-03 16:09

利用源异构性实现集群结构迁移学习

Transfer learning is a natural strategy when a target population has limited data but multiple related auxiliary sources are available. A central difficulty is source heterogeneity: auxiliary sources may not be equally useful, and their usefulness may vary in a structured, cluste…