Regularizirano prijenosno učenje
Regularizirano prijenosno učenje primjenjuje eksplicitne kaznene članove na cjevovod prijenosnog učenja kako bi se kontroliralo koliko model odstupa od znanja izvorne domene prilikom prilagodbe novoj ciljnoj domeni. Regularizator obeshrabruje negativni prijenos — štetno prenošenje irelevantnih obrazaca iz izvora — dok istovremeno čuva korisne zajedničke reprezentacije i sprječava prekomjerno prilagođavanje (overfitting) kada su oznake ciljne domene rijetke.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/hr/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.
- Učenje s malo primjeraStrojno učenje↔ compare
- Učenje metrikeStrojno učenje↔ compare
- Regularizirana logistička regresijaStrojno učenje↔ compare
- Regulirani slučajni šumStrojno učenje↔ compare
- Polu-nadgledano učenje prijenosomStrojno učenje↔ compare
- Prijenosno učenjeStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →