不確実性定量化を伴う転移学習：ソースからターゲットへのランダム効果キャリブレーション（RECaST）

科学分野:

• 統計学
• 機械学習
• データサイエンス

背景:

• 転移学習は、あるデータセットでトレーニングされたモデルを別のデータセットで使用するために適応させます。
• 現在の転移学習方法には、しばしば不確実性定量化が欠けています。
• 事前トレーニングされたニューラルネットワークのファインチューニングは、一般的ですが限定的なアプローチです。

研究 の 目的:

• 不確実性定量化を伴う転移学習のための統計的フレームワークを開発すること。
• RECaST（統計的転移のためのコーシーランダム効果による再調整）フレームワークを導入すること。
• さまざまなモデルタイプにわたるRECaSTの妥当性と堅牢性を実証すること。

主な方法:

• モデルの再調整のためのコーシーランダム効果を利用する統計的フレームワークRECaSTを開発しました。
• 線形モデルに対してRECaSTを数学的および経験的に検証し、予測セットカバレッジを保証しました。
• 非線形モデルのロバスト性を数値的に示し、漸近近似に対する耐性を示しました。

主要な成果:

• RECaSTは、転移学習予測のための不確実性定量化を提供します。
• このフレームワークはソースモデルに依存せず、ソースデータへのアクセスを必要としません。
• シミュレーションと実世界の病院データ分析を通じてRECaSTの有効性を実証しました。

結論:

• RECaSTは、転移学習のための統計的に健全で用途の広いアプローチを提供します。
• 不確実性定量化の包含は、既存の方法における重要なギャップに対処します。
• RECaSTは、さまざまな集団やデータタイプにわたる信頼性の高いモデル適応に有望です。