在邊界對沖：以少量樣本學習新任務

研究論文提出一種新的方法，用於處理少量樣本學習新任務的挑戰。當學習者面臨樣本稀缺的新任務時，必須善加利用任何可用的側信息。在實踐中，這通常體現為模型在公共基準測試中相關任務上的評估表現。一個關鍵問題是如何建模任務相關性，使其既現實又能從基準評估中帶來可證明的收益。經驗觀察發現，弱單調性往往近似成立：如果一個模型在多個基準測試中佔優，它也傾向於在新任務上表現更好。論文探索了在（近似）弱單調性下學習的統計複雜性，並將其應用於兩個學習範式：遷移學習和模型選擇聚合。結果顯示，不僅可以根據單調性修剪模型類別，還可以進一步通過對沖前沿來適應可用的權衡幾何。