Transfer Learning en Modelos Lineales Generalizados

El Transfer Learning tiene como objetivo reutilizar el conocimiento adquirido sobre un conjunto de datos de origen en otro similar de destino. Las preguntas importantes que se plantean en este procedimiento son: qué transferir, cómo transferir y cuándo  transferir. Esta última en particular ha recibido poca atención desde un punto de vista teórico para la comprensión de cuán benéfico puede ser el transfer. Un trabajo reciente de Obst et al (2022) en el caso de la regresión lineal da algunas respuestas explorando formas de transferir un conjunto inicial de parámetros.
En este trabajo en curso queremos extender las nociones desarrolladas sobre cómo y cuándo transferir y la ganancia obtenida al contexto de los modelos lineales generalizados utilizando la estructura y propiedades de la familia exponencial, haciendo aparecer varias  nociones de geometría de la información (divergencia de Bregman, información de Fisher, etc).