Regularisoitu siirto-oppiminen
Regularisoitu siirto-oppiminen soveltaa eksplisiittisiä rangaistustermejä siirto-oppimisputkeen kontrolloimaan, kuinka paljon malli poikkeaa lähdealueen tiedosta uuteen kohdealueeseen sopeutuessaan. Regularisoija vähentää negatiivista siirtoa – epäolennaisten lähdealueen mallien haitallista ylikantautumista – säilyttäen samalla hyödylliset jaetut esitykset ja estäen ylisovittamisen, kun kohdealueen tunnisteita on niukasti.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/fi/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 LearningKoneoppiminen↔ compare
- MetriikkaoppiminenKoneoppiminen↔ compare
- Regularisoitu logistinen regressioKoneoppiminen↔ compare
- Regularized Random ForestKoneoppiminen↔ compare
- Puoliohjattu siirto-oppiminenKoneoppiminen↔ compare
- Siirto-oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →