Apprentissage par transfert régularisé
L'apprentissage par transfert régularisé applique des termes de pénalité explicites à un pipeline d'apprentissage par transfert pour contrôler à quel point un modèle s'éloigne des connaissances du domaine source lors de l'adaptation à un nouveau domaine cible. Le régulariseur décourage le transfert négatif — la propagation nuisible de motifs sources non pertinents — tout en préservant les représentations partagées bénéfiques et en prévenant le surapprentissage lorsque les étiquettes du domaine cible sont rares.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/fr/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.
- Apprentissage à peu d'exemplesApprentissage automatique↔ compare
- Apprentissage métriqueApprentissage automatique↔ compare
- Régression logistique régulariséeApprentissage automatique↔ compare
- Forêt Aléatoire RégulariséeApprentissage automatique↔ compare
- Apprentissage par transfert semi-superviséApprentissage automatique↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →