.png){kind=icon}
返回
Bayesian Transfer Learning for Enhanced Estimation and Inference
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2026.2685359.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过利用相关研究中的知识，迁移学习能够增强目标人群中样本有限情况下的模型性能。尽管许多工作侧重于提高预测性能，但统计推断方面仍存在挑战。贝叶斯方法自然地为参数估计提供不确定性量化；然而，现有的贝叶斯迁移学习方法通常仅限于单源场景或需要个体级数据。我们介绍了TRansfer leArning via guideD horseshoE prioR（TRADER）这一新颖方法，它通过预训练模型实现多源迁移，适用于高维线性回归。TRADER将目标参数收缩至源估计的自适应加权平均，同时保持对源尺度与相关性的差异鲁棒。理论研究表明，当源与目标高度一致时，TRADER比标准连续收缩先验实现更快的后验收缩速率，同时防止异质源导致的负迁移。TRADER的有限样本边际后验行为得以确立。大量模拟显示，TRADER的推断性能不劣于仅使用目标数据，尽管仅使用汇总级源数据，其表现仍可与竞争频率方法相媲美，并提供显著的计算优势。高维遗传数据集的应用进一步表明，TRADER在强多重共线性条件下仍能有效进行推断。本文的补充材料（包括详细说明所有重复结果所需材料的标准化可重复性指南）可在线获取。
Keyword:
Data heterogeneity
Global-local shrinkage prior
High-dimensional inference
Sparsity
Transfer learning
查看更多机构