Guided Adversarial Robust Transfer Learning with Source Mixing

doi:10.1080/01621459.2026.2675620

Guided Adversarial Robust Transfer Learning with Source Mixing

2026-09-08

0

PRE

AI

DOI：10.1080/01621459.2026.2675620

原文链接

原文求助

摘要

En 中文

迁移学习是一种关键技术，能够将现有任务或领域中获得的知识应用于新任务，以提高性能，减少在新情境中所需的大量数据和训练。许多现有的迁移学习方法依赖于利用与目标群体高度相似来源群体的信息。然而，这种方法往往忽略了不同但可能相关的辅助样本中可能存在的宝贵知识。在处理目标数据有限而来源数据充足的情况下，我们提出了一种新颖的方法——引导对抗鲁棒迁移（GART）学习，该方法摆脱了严格的相似性约束。GART旨在针对一组来源混合分布优化最对抗性损失，以保证对目标数据的出色预测性能。我们建立了群体GART的封闭形式，并证明GART估计量比仅用目标数据拟合的模型具有更快的收敛速度。我们的模拟研究表明，GART优于现有的迁移学习方法，达到了更高的鲁棒性和准确性。我们通过将其应用于多机构生物银行关联电子健康记录数据的高密度脂蛋白胆固醇遗传预测模型构建，突出了GART的预测性和鲁棒性。本文的补充材料可在网上获取，其中包括可重现该工作的材料的标准化描述。

Keyword:

Distributionally robust optimization

Electronic health record

Heterogeneous data

High dimensionality

Multi-source data

Guided Adversarial Robust Transfer Learning with Source Mixing

摘要

期刊

机构

引用论文