El cadmio (Cd) es un metal altamente tóxico que es difícil de eliminar por completo del suelo, a pesar de los avances en las tecnologías agrícolas y ambientales modernas que han logrado reducir con éxito los niveles de Cd. Sin embargo, el arroz sigue siendo una fuente clave de exposición al Cd para los humanos. Incluso pequeñas cantidades de Cd absorbidas por el arroz pueden representar un riesgo potencial para la salud del cuerpo humano. La espectroscopía de descomposición inducida por láser (LIBS) tiene las ventajas de una preparación de muestra simple y un análisis rápido, que, combinado con el método de aprendizaje por transferencia, se espera que realice la detección en tiempo real y rápida de metales pesados en niveles bajos en el arroz. En este trabajo, se recopilaron 21 grupos de muestras de arroz naturalmente madurado de entornos potencialmente contaminados con Cd. Estas muestras se procesaron en grupos de cáscara de arroz, arroz integral y arroz pulido, y el contenido de Cd de referencia se midió mediante ICP-MS. El algoritmo XGBoost, conocido por su excelente rendimiento en el manejo de datos de alta dimensionalidad y relaciones no lineales, se aplicó para construir tanto el modelo base XGBoost como el modelo de aprendizaje por transferencia basado en XGBoost para predecir el contenido de Cd en arroz integral y arroz pulido. Al preentrenar con datos de origen de cáscara de arroz, el modelo de aprendizaje por transferencia basado en XGBoost puede aprender de la abundante información disponible en la cáscara de arroz para mejorar la cuantificación de Cd en el grano de arroz. Para el arroz integral, el modelo base XGBoost logró de 0.9852 y de 0.8778, que se mejoraron a 0.9885 y 0.9743, respectivamente, con el modelo de aprendizaje por transferencia basado en XGBoost. En el caso del arroz pulido, el modelo base logró de 0.9838 y de 0.8683, mientras que el modelo de aprendizaje por transferencia mejoró estos a 0.9883 y 0.9699, respectivamente. Los resultados indican que el método de aprendizaje por transferencia no solo mejora la capacidad de detección para el bajo contenido de Cd en el arroz, sino que también proporciona nuevas perspectivas para la detección de seguridad alimentaria.