让 AI 借别人的经验，未必总是好事：如果目标数据很少，而可参考的几批数据又各不相同，照搬最相似的一批，可能错过有用信息；全部混用，也可能被不合适的来源带偏。这就是迁移学习——用数据较多的“源域”帮助数据较少的“目标域”——常见的两难。
Xin Xiong、Zijian Guo 和 Tianxi Cai 提出的 Guided Adversarial Robust Transfer（GART），把多个源分布按不同权重混合，再针对候选混合中最不利的情况优化。这里的“adversarial”指防范分布变化下的最坏情形，不是给图片添加微小噪声的对抗攻击。据 JSM 2024 论文摘要，少量目标数据会进一步限定哪些混合仍能保持良好预测；据 IMS 国际会议摘要，最终模型可理解为多个源模型的加权平均，并更偏向接近目标基准模型的来源。
论文于 2026 年 9 月 8 日由 JASA 在线刊出。作者报告其估计量比只用目标数据拟合的模型收敛更快，模拟中也优于既有迁移方法，并用于多机构生物样本库的高密度脂蛋白胆固醇遗传预测。不过现有材料没有给出具体提升幅度，方法在何种源域差异下仍可靠，也不宜据此展开判断。