Apprendimento per trasferimento regolarizzato
L'apprendimento per trasferimento regolarizzato applica termini di penalità espliciti a una pipeline di apprendimento per trasferimento per controllare quanto un modello si discosta dalla conoscenza del dominio sorgente durante l'adattamento a un nuovo dominio di destinazione. Il regolarizzatore scoraggia il trasferimento negativo — il dannoso trasferimento di pattern sorgente irrilevanti — preservando al contempo rappresentazioni condivise benefiche e prevenendo l'overfitting quando le etichette del dominio di destinazione sono scarse.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/it/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 LearningApprendimento automatico↔ compare
- Apprendimento metricoApprendimento automatico↔ compare
- Regressione logistica regolarizzataApprendimento automatico↔ compare
- Random Forest RegolarizzatoApprendimento automatico↔ compare
- Apprendimento per Trasferimento Semi-SupervisionatoApprendimento automatico↔ compare
- Apprendimento per trasferimentoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →