Bayesiansk overføringslæring
Bayesiansk overføringslæring er et probabilistisk rammeværk, der bruger viden fra et dataintensivt kildedomæne til at konstruere informative priors for en model trænet på et datamangelfuldt måldomæne. Ved at indkode viden fra kildedomænet som prior-fordelinger over parametre, lader rammeværket modellen generalisere godt på målopgaven, selv med meget begrænsede mærkede eksempler.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Transfer Learning (Probabilistic Domain Adaptation). ScholarGate. https://scholargate.app/da/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.
- Bayesiansk Gaussisk ProcesMaskinlæring↔ compare
- Few-shot LearningMaskinlæring↔ compare
- Semi-supervised Transfer LearningMaskinlæring↔ compare
- OverførselslæringMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →