Bayesilik ülekandeõppimine
Bayesilik ülekandeõppimine on tõenäosuslik raamistik, mis kasutab rikkaliku andmestikuga lähtedomeeni teadmisi informatiivsete prioride konstrueerimiseks mudelile, mida treenitakse vähese andmestikuga sihtdomeenis. Lähtedomeeni teadmiste kodeerimisega parameetrite üle jaotustena võimaldab raamistik mudelil hästi üldistuda sihttööülesandel isegi väga piiratud märgistatud näidetega.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Bayesian Transfer Learning (Probabilistic Domain Adaptation). ScholarGate. https://scholargate.app/et/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.
- Bayesian Gaussian ProcessMasinõpe↔ compare
- Väheste näidistega õppimineMasinõpe↔ compare
- Poolitud ülekandeõpeMasinõpe↔ compare
- ÜlekandeõpeMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →