待验证50% 置信事实精确时间
该研究聚焦于高维回归的原型设定：源模型通过岭回归训练，目标模型通过L2距离正则化进行微调。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
迁移学习突破缩放定律：岭回归达极小极大最优
rss2026/10/16
涉及实体
相关事实
待验证预训练模型迁移复用的假设是模型在源域学到的特征具有跨域泛化能力，但高层语义特征可能存在显著的域偏移75% 相似待验证在原型阶段选择岭回归等简单模型优于LSTM、XGBoost等复杂模型，因为可解释性和训练稳定性更重要，且小规模合成数据集下复杂模型容易过拟合74% 相似待验证斜率 α 与模型的预测性能存在相关性，可能捕捉到了模型在训练中习得的、超越通用极值效应的结构化知识。73% 相似待验证该研究提出了两种迭代式推断算法：推前（Push-forward）通过迭代估计密度比并沿位移场移动样本来修正预训练采样器，无需重新训练；拉回（Pull-back）将数据向基分布拉近，逐层拟合变换模型。72% 相似待验证该研究将数据选择问题建模为高维回归场景，存在多个异质数据源，并采用加权岭回归估计器来融合这些来源71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1068989API
curl https://kongchang.com/api/v1/knowledge/claims/1068989MCP
get_claim(id=1068989)