Семейства методов

В registry 17 методов. Они отличаются прежде всего тем, какой сигнал переносят.

Score-space mapping

linmap учит content -> donor score vector напрямую. Это model-agnostic метод и обычно первый сильный transfer candidate. scale_shift начинает с neighbor scores и корректирует scale/shift.

Supervised meta-methods

stacking, stacking_plus и logreg_calib используют validation-cold fold. Они могут сочетать transfer signals с popularity и affinity features, но требуют val data.

Content neighbors

knn_score_avg, attention_knn и debiased_knn используют cold-to-warm similarity. Они полезны как diagnostics, но наивное score averaging часто наследует popularity.

Embedding methods

linmap_emb, magnitude_scaling, embedding_avg, attention_emb и dropoutnet требуют donor embeddings. Они работают только когда donor отдаёт latent factors или user/item embeddings.

Baselines

random, most_popular, grouped_most_popular и grouped_most_popular_pers задают floor и главный target для сравнения. Transfer method, который не обходит personalized Grouped MP, скорее всего, не полезен для изучаемого cold-start setting.