回归中的影响点迁移学习
统计方法学
2025-09-25 v1
摘要
回归预测在实际应用中扮演关键角色，并高度依赖数据标注。然而，由于标注成本高昂或领域特定限制，目标域中的标注数据往往稀缺，使得迁移学习成为利用资源丰富的源域知识的关键解决方案。在实际目标场景中，尽管迁移学习已被广泛应用，影响点仍可能显著扭曲目标域模型的参数估计。当影响点同时也存在于源域时，该问题进一步加剧，导致性能严重退化，并对现有迁移学习框架构成严峻的鲁棒性挑战。本研究创新性地提出迁移学习协同优化（Trans-CO）框架，用于影响点检测与回归模型拟合。大量仿真实验表明，所提出的 Trans-CO 算法在模型拟合性能与影响点识别准确率方面均优于竞争方法。此外，它在真实世界数据集上实现了更优的预测精度，为回归中的影响点迁移学习提供了新颖的解决方案。
引用
@article{arxiv.2509.20272,
title = {Transfer Learning in Regression with Influential Points},
author = {Bingbing Wang and Jiaqi Wang and Yu Tang},
journal= {arXiv preprint arXiv:2509.20272},
year = {2025}
}