论文摘要:我们考虑了数据集移动的归纳转移学习,在这种情况下,两个采样的,但密切相关的数据集的分布不同。当需要预测的目标数据稀缺时,就会使用另一个次要数据集的数据来改进预测。迁移学习试图通过适当补偿这样的数据集移动来解决这个任务。在这项工作中,我们假设协变量和因变量的分布可以在数据集之间任意不同。本文提出了两种基于重要性加权的回归方法。这里对辅助数据的每个实例都分配了一个权重,以便该数据对目标数据的预测作出积极的贡献。实验表明,该方法在基准测试和真实数据集上都取得了良好的效果。