Robust transfer learning under generalized linear errors-in-variables models

doi:10.1016/j.jspi.2026.106378

Robust transfer learning under generalized linear errors-in-variables models

2026-01-01

0

PRE

AI

DOI：10.1016/j.jspi.2026.106378

原文链接

原文求助

摘要

En 中文

利用源任务信息增强统计建模的迁移学习，但其有效性在共同假设（协变量无误差）被违反时会受损，因为测量误差常导致估计偏差和无效推断。为解决这一关键问题，我们提出了一种适用于广义线性误差-变量模型（GLEVMs）的新型迁移学习框架，该框架考虑了协变量中的经典加性测量误差。我们引入一种函数相似性结构来连接源和目标参数，并基于加权似然法开发了误差-变量迁移学习似然（ev-TLL）方法。在温和的正则性条件下，我们证明了所提估计量的渐近正态性，并表明其收敛速度优于无迁移学习的传统方法。在线性和非线性GLEVMs下的广泛模拟证实了本方法估计精度的优越性。最后，对马里兰州生物溪流调查的真实数据应用突显了ev-TLL相比仅使用目标域数据模型的实际优势。

Keyword:

Generalized linear errors-in-variables models

Heterogeneity

Model aggregation

Transfer learning

Robust transfer learning under generalized linear errors-in-variables models

摘要

期刊

机构

引用论文