Regularized Transfer Learning
Regularized Transfer Learning aplikuje explicitní penalizační členy na pipeline přenosového učení, aby kontrolovala, jak moc se model odchyluje od znalostí ze zdrojové domény při adaptaci na novou cílovou doménu. Regularizátor potlačuje negativní přenos – škodlivé přenesení nerelevantních vzorů ze zdroje – a zároveň zachovává prospěšné sdílené reprezentace a předchází přeučení, když jsou popisky cílové domény vzácné.
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
- 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 ↗
- Li, Z., Nie, F., Chang, X., & Yang, Y. (2014). Beyond trace norm: Robust matrix recovery via bi-sparsity pursuit. In Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI), pp. 1736–1742. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/cs/machine-learning/regularized-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.
- Učení s malým počtem příkladůStrojové učení↔ compare
- Učení metrikStrojové učení↔ compare
- Regularizovaná logistická regreseStrojové učení↔ compare
- Regularizovaný náhodný lesStrojové učení↔ compare
- Semisupervisední přenosové učeníStrojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →