.png){kind=icon}
返回
Transfer learning for spatial autoregressive models with missing responses
.png){kind=icon}
PRE
AI
DOI：10.1016/j.spasta.2026.100955.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
迁移学习是一种通过利用源域知识来提升目标域性能的机器学习方法。尽管该方法在回归问题中已得到广泛应用，但对于目标域涉及部分缺失响应数据的场景，相关研究仍较为有限。本研究针对空间依赖回归问题中缺失响应和小样本量的双重挑战，提出了一种基于EM算法的迁移学习框架。该框架首先采用EM算法处理空间自回归模型中的缺失响应，然后针对已知源域开发了一种两步迁移学习方法，并针对未知可迁移源域设计了一种基于交叉验证的检测算法。数值模拟结果表明，所提出的方法在参数估计精度和模型鲁棒性方面均表现出更优的性能。
Keyword:
Spatial autoregressive models
Missing responses
EM algorithm
Transfer learning
期刊
S
IF:
2.5
论文数:
39
被引数:
0
机构
引用论文
.png){kind=icon}
Computational aspects of the EM algorithm for spatial econometric models with missing data空间计量经济模型中缺失数据的EM算法的计算方面
PREAI
分享收藏Estimation of spatial autoregressive models with randomly missing data in the dependent variable因变量随机缺失数据的空间自回归模型的估计
PREAI
分享收藏分享收藏
查看更多内容