Εγγραφή τεκμηρίου μεθόδου
Semi-supervised Transfer Learning
Semi-supervised Transfer Learning combines knowledge transferred from a richly labeled source domain with the structure of abundant unlabeled target-domain data, using only a small set of labeled target examples to achieve strong generalization where full annotation is scarce or expensive.
Εγγραφή πηγής
Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.
Semi-supervised Transfer Learning
Εγγραφή ταξινομικής μεθόδου · ml-model / machine-learning
- Zhuang, F., Qi, Z., Duan, K., Xi, D., Zhu, Y., Zhu, H., Xiong, H., & He, Q. (2021). A comprehensive survey on transfer learning. Proceedings of the IEEE, 109(1), 43–76. · DOI 10.1109/JPROC.2020.3004555
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. · ISBN 978-0-262-03358-9
Επιμελημένοι ισχυρισμοί
Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.
Δεν υπάρχουν ακόμη επιμελημένοι ισχυρισμοί
Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.
Σχετικές μέθοδοι
Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.