Regulariseret Transferlæring
Regulariseret Transferlæring anvender eksplicitte strafled til en transferlærings-pipeline for at kontrollere, hvor meget en model afviger fra kilde-domæneviden, når den tilpasser sig et nyt måldomæne. Regulariseringen modvirker negativ transfer – den skadelige overførsel af irrelevante kildemønstre – samtidig med at den bevarer gavnlige delte repræsentationer og forhindrer overfitting, når måldomæne-labels er sparsomme.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/da/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.
- Few-shot LearningMaskinlæring↔ compare
- Metrisk LæringMaskinlæring↔ compare
- Regulariseret logistisk regressionMaskinlæring↔ compare
- Regulariseret Random ForestMaskinlæring↔ compare
- Semi-supervised Transfer LearningMaskinlæring↔ compare
- OverførselslæringMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →