Bayesovské přenosové učení
Bayesovské přenosové učení (Bayesian Transfer Learning) je pravděpodobnostní rámec, který využívá znalosti z datově bohaté zdrojové domény k vytvoření informativních apriorních rozdělení pro model trénovaný na cílové doméně s nedostatkem dat. Zakódováním znalostí ze zdrojové domény jako apriorních rozdělení parametrů umožňuje tento rámec modelu dobře zobecňovat na cílový úkol i s velmi omezeným počtem označených příkladů.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Raina, R., Ng, A. Y., & Koller, D. (2006). Constructing informative priors using transfer learning. In Proceedings of the 23rd International Conference on Machine Learning (ICML), pp. 713–720. ACM. link ↗
- Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bayesian Transfer Learning (Probabilistic Domain Adaptation). ScholarGate. https://scholargate.app/cs/machine-learning/bayesian-transfer-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesovský Gaussovský procesStrojové učení↔ compare
- Učení s malým počtem příkladůStrojové učení↔ compare
- Semisupervisední přenosové učeníStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →