Die Popularität von Transfer-Learning resultiert daraus, dass Informationen aus nützlichen Hilfsdatensätzen genutzt werden können. Bestehende statistische Transfer-Learning-Methoden verwenden üblicherweise ein globales Ähnlichkeitsmaß zwischen Quell- und Zieldaten, was zu Ineffizienzen führen kann, wenn nur lokale Informationen geteilt werden.
In dieser Arbeit schlagen die Autoren eine neuartige Bayes'sche Transfer-Learning-Methode namens "CONCERT" vor, um eine robuste lokale Informationsübertragung für hochdimensionale Datenanalyse zu ermöglichen. Eine neue bedingte Spike-and-Slab-Verteilung wird in die gemeinsame Verteilung der Ziel- und Quellparameter für den Informationstransfer eingeführt. Durch Einbeziehung kovariatenspezifischer Priors können die lokalen Ähnlichkeiten charakterisiert und die Quellen kollaborativ genutzt werden, um die Leistung auf dem Zieldatensatz zu verbessern.
CONCERT ist ein Einschrittverfahren, das Variablenselektion und Informationstransfer gleichzeitig erreicht. Die Autoren zeigen die Konsistenz der Variablenselektion für CONCERT und nutzen den variationellen Bayes-Rahmen, um eine skalierbare Implementierung zu ermöglichen. Umfangreiche Experimente und eine genetische Datenanalyse belegen die Gültigkeit und den Vorteil von CONCERT gegenüber bestehenden State-of-the-Art-Transfer-Learning-Methoden.
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Ruqian Zhang... lúc arxiv.org 04-08-2024
https://arxiv.org/pdf/2404.03764.pdfYêu cầu sâu hơn