Aprendizaje por Transferencia Regularizado
El aprendizaje por transferencia regularizado aplica términos de penalización explícitos a un flujo de trabajo de aprendizaje por transferencia para controlar cuánto se aleja un modelo del conocimiento del dominio de origen al adaptarse a un nuevo dominio de destino. El regularizador desalienta la transferencia negativa —la propagación perjudicial de patrones irrelevantes del origen— al tiempo que preserva las representaciones compartidas beneficiosas y previene el sobreajuste cuando las etiquetas del dominio de destino son escasas.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/es/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.
- Aprendizaje con Pocos EjemplosAprendizaje automático↔ compare
- Aprendizaje métricoAprendizaje automático↔ compare
- Regresión logística regularizadaAprendizaje automático↔ compare
- Random Forest RegularizadoAprendizaje automático↔ compare
- Aprendizaje por transferencia semisupervisadoAprendizaje automático↔ compare
- Aprendizaje por transferenciaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →