論文の概要: Minimax optimal adaptive structured transfer learning through semi-parametric domain-varying coefficient model

• arxiv url: http://arxiv.org/abs/2602.17967v1
• Date: Fri, 20 Feb 2026 03:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.217981
• Title: Minimax optimal adaptive structured transfer learning through semi-parametric domain-varying coefficient model
• Title（参考訳）: 半パラメトリック領域変化係数モデルによる最小最適適応構造変換学習
• Authors: Hanxiao Chen, Debarghya Mukherjee,
• Abstract要約: 本研究では,条件分布ドリフト下でのマルチソース単一ターゲット移動学習問題について検討する。 情報ソース領域からの強度を選択的に借用する適応的伝達学習推定器を開発した。
• 参考スコア（独自算出の注目度）: 9.091986429838117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transfer learning aims to improve inference in a target domain by leveraging information from related source domains, but its effectiveness critically depends on how cross-domain heterogeneity is modeled and controlled. When the conditional mechanism linking covariates and responses varies across domains, indiscriminate information pooling can lead to negative transfer, degrading performance relative to target-only estimation. We study a multi-source, single-target transfer learning problem under conditional distributional drift and propose a semiparametric domain-varying coefficient model (DVCM), in which domain-relatedness is encoded through an observable domain identifier. This framework generalizes classical varying-coefficient models to structured transfer learning and interpolates between invariant and fully heterogeneous regimes. Building on this model, we develop an adaptive transfer learning estimator that selectively borrows strength from informative source domains while provably safeguarding against negative transfer. Our estimator is computationally efficient and easy to implement; we also show that it is minimax rate-optimal and derive its asymptotic distribution, enabling valid uncertainty quantification and hypothesis testing despite data-adaptive pooling and shrinkage. Our results precisely characterize the interplay among domain heterogeneity, the smoothness of the underlying mean function, and the number of source domains and are corroborated by comprehensive numerical experiments and two real-data applications.
• Abstract（参考訳）: 伝達学習は、関連するソースドメインの情報を活用することで、対象ドメインの推論を改善することを目的としているが、その効果はドメイン間の不均一性をモデル化し、制御する方法に大きく依存する。 共変量と応答をリンクする条件機構がドメインによって異なる場合、識別できない情報プーリングは負の転送を引き起こし、ターゲットのみの推定に対して性能が低下する。 本研究では,条件分布ドリフト下でのマルチソース単一ターゲット移動学習問題について検討し,半パラメトリック領域変化係数モデル (DVCM) を提案する。 このフレームワークは古典的変動係数モデルを一般化し、構造化された伝達学習を行い、不変と完全不均一な状態の間を補間する。 このモデルに基づいて,情報ソース領域から強みを選択的に借用し,負の伝達に対して確実に保護する適応的伝達学習推定器を開発した。 我々の推定器は計算効率が良く,実装も容易である。また,データ適応型プールと収縮にもかかわらず,その漸近分布を導出し,妥当な不確実性定量化と仮説テストを可能にすることも示している。 本研究の結果は, 領域の不均一性, 基礎となる平均関数の滑らかさ, およびソース領域の数との相互作用を, 包括的数値実験と2つの実データ応用によって正確に評価した。

関連論文リスト

• Transfer Learning Through Conditional Quantile Matching [3.86972243789112]
  我々は、異種ソースドメインを利用した回帰学習フレームワークを導入し、データスカースターゲットドメインにおける予測性能を改善する。 提案手法は,各ソース領域に対して個別に条件生成モデルを学習し,条件量子マッチングにより対象ドメインに対する応答を校正する。
  論文  参考訳（メタデータ） (2026-02-02T17:19:55Z)
• Tessellation Localized Transfer learning for nonparametric regression [0.764671395172401]
  Transfer Learningは、関連するソースタスクの情報を活用することで、ターゲットタスクのパフォーマンスを改善することを目的としている。 ソース・ターゲット関係における不均一性を明示的にモデル化する非パラメトリック回帰変換学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-02T20:58:05Z)
• A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation [67.2019317630466]
  少ない撮影画像生成は、ごく少数の訓練画像を用いて、ソース生成モデルをターゲット領域に効果的に適応することを目的としている。 Equivariant Feature Rotation (EFR) は、ソースドメインとターゲットドメインを2つの相補的なレベルで整列させる新しい適応戦略である。 本手法は,対象領域内の生成性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-12-24T13:48:22Z)
• Coefficient Shape Transfer Learning for Functional Linear Regression [0.0]
  本稿では,関数型線形モデルにおけるデータ不足問題に対処するために,新しい伝達学習手法を開発する。 この方法論は、ターゲットモデル(ターゲットドメイン)のサンプルと補助モデル(ソースドメイン)のサンプルを組み込む。 異なるソースからのデータが桁違いに異なる場合でも、信頼性の高い知識伝達を保証する。
  論文  参考訳（メタデータ） (2025-06-13T00:00:43Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Variational Model Perturbation for Source-Free Domain Adaptation [64.98560348412518]
  確率的枠組みにおける変分ベイズ推定によるモデルパラメータの摂動を導入する。 本研究では,ベイズニューラルネットワークの学習と理論的関連性を実証し,目的領域に対する摂動モデルの一般化可能性を示す。
  論文  参考訳（メタデータ） (2022-10-19T08:41:19Z)
• Transfer learning with affine model transformation [18.13383101189326]
  本稿では,アフィンモデル転送と呼ばれる,伝達学習の一般的なクラスについて述べる。 アフィンモデル転送は、ニューラル特徴抽出器に基づく最も一般的な手順を含む、様々な既存手法を幅広く包含していることが示されている。
  論文  参考訳（メタデータ） (2022-10-18T10:50:24Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。