Regularized Transfer Learning

Regularized Transfer Learning wendet explizite Strafterme auf eine Transfer-Learning-Pipeline an, um zu steuern, wie stark sich ein Modell von Quellbereichswissen entfernt, wenn es sich an einen neuen Zielbereich anpasst. Der Regularisierer wirkt negativer Übertragung – der schädlichen Übernahme irrelevanter Quellmuster – entgegen, während vorteilhafte gemeinsame Repräsentationen erhalten bleiben und Überanpassung verhindert wird, wenn Zielbereichslabels knapp sind.