基于总风险先验的形式化贝叶斯迁移学习

研究者提出基于总风险先验的形式化贝叶斯迁移学习方法，通过以源参数为条件的风险最小化器构建源与目标参数的联合后验，实现完整的贝叶斯不确定性量化。该方法支持通过 Gibbs 采样对源数据集包含指示变量进行模型平均，其 MAP 估计在特定正态均值设定下的 MSE 优于 Trans-Lasso。在源数据受限的遗传学应用数值实验中，其预测性能优于频率学派和贝叶斯基线。