设计深度神经网络分类器是机器学习研究的活跃领域，但回归问题仍相对未经探索。研究者回归到第一原理，分析了最小二乘回归解对协变量转移的敏感性，并提出了一种方法来适应预训练神经回归模型的最后一层权重，以在不同分布的输入数据上表现更好。他们展示了这种方法如何改善数据集的性能。

本文提出了一个使用无偏见的转移概率估计的框架，通过修改传统损失函数，扩展深度神经网络分类器，学习偏差的互补标签，以确保收敛于最优分类器。实验证明，该方法优于当前最先进的方法。