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。

本文介绍了一种可扩展的贝叶斯非参数学习方法，结合优化后验抽样和流式分布式推理算法，利用神经网络和非参数特性提升模型的鲁棒性和分类性能。同时，提出了贝叶斯迁移学习框架和非穷举学习算法，展示了在图像识别等任务中的优越表现。