CONCERT: Covariate-Elaborated Robust Local Information Transfer with Conditional Spike-and-Slab Prior

传递学习的流行之处在于它可以从有用的辅助数据集中借鉴信息。现有的统计传递学习方法通常采用源数据和目标数据之间的全局相似度度量，这可能会导致在仅共享局部信息时效率低下。本文提出了一种名为“CONCERT”的新颖贝叶斯传递学习方法，以允许针对高维数据分析进行强大的局部信息传递。在目标和源参数的联合分布中引入了新颖的条件“spike-and-slab”先验以进行信息传递。通过结合特定协变量的先验，我们可以表征局部相似性并使源数据协同工作，以帮助提高目标的性能。CONCERT与现有工作不同，是一种一步过程，可以同时实现变量选择和信息传递。我们的CONCERT确立了变量选择一致性。为了使我们的算法可扩展，我们采用变分贝叶斯框架来促进实现。广泛的实验和基因数据分析证明了CONCERT相对于现有尖端传递学习方法的有效性和优势。我们还将我们的CONCERT扩展到逻辑模型，并进行了数值研究，证明了其优于其他方法的优越性。

本论文旨在提出一种名为CONCERT的贝叶斯迁移学习方法，以允许高维数据分析中的强大本地信息传递。该方法旨在解决现有统计迁移学习方法中全局相似度度量可能导致效率低下的问题。

CONCERT提出了一种新颖的条件Spike-and-Slab先验，用于目标和源参数的联合分布，以实现信息传递。通过结合协变量特定的先验，可以表征局部相似性并使源共同协作以帮助提高目标的性能。与现有的方法不同，CONCERT是一种一步过程，可以同时实现变量选择和信息传递。该算法可扩展性强，采用变分贝叶斯框架以促进实现。

本论文通过广泛的实验和基因数据分析展示了CONCERT的有效性和优势，并将其扩展到了逻辑模型，数值研究显示了其优于其他方法。该论文的亮点包括：1. 提出了一种新颖的贝叶斯迁移学习方法；2. 可以同时实现变量选择和信息传递；3. 采用了变分贝叶斯框架以实现可扩展性；4. 在广泛的实验和基因数据分析中展示了其有效性和优势。

最近在这个领域中，还有一些相关的研究，如：1. Transfer Learning with Graph Neural Networks: A Survey；2. Multi-Source Domain Adaptation for Semantic Segmentation；3. Multi-Source Domain Adaptation with Mixture of Experts。