借同事的地图找一家店，不必先把整座城市重画一遍。迁移学习也是如此：用“源”数据帮助样本较少的“目标”数据时，如果只想估一个平均效应，未必需要准确复刻处理量如何影响结果的整条响应曲线。
Shinichiro Shirota研究了源、目标数据只有有限重叠的情形：目标样本在某个边界附近很少，两个群体共享较粗略的变化规律，但差异部分更平滑。论文最关键的一步，是用带正负号的局部校正，避开目标数据最稀薄的区域，同时保留计算平均量所需的信息。于是，源数据只需补上目标数据最难恢复的那一小部分，而不用估准源群体的完整平均值。
作者据此得到三个阶段：源信息太少时，借用不会改变误差下降速度；超过第一道门槛后开始改善；超过第二道门槛后，收益饱和，限制因素转为两群体间的差异。这个结论说明，“能借多少”取决于最终要估什么。不过其保证限于论文设定的一维模型，并假定数据分布、噪声和平滑程度等分析条件已知。