本研究提出了一种基于代理信息的贝叶斯迁移学习方法（PROMPT），旨在解决目标任务中无法微调且不知源数据与目标任务对应关系的问题。该方法通过代理信息进行目标任务效果估计和源数据重加权，从而降低负迁移风险，提升迁移学习的有效性。

本文提出了一种基于先验知识和可转移性的框架来选择最好的源任务，以提高给定目标任务的转移学习性能。实验表明，从相同模态下的不同任务转移通常比从不同模态下的同一任务转移更成功。从具有与目标任务更强的 RoI 形状相似性的源任务转移可以显着提高最终的转移性能。