Machine learningDeep learning / NLP / CV
ファイン・チューニングされた多層パーセプトロン
ファイン・チューニングされた多層パーセプトロン（MLP）は、ソースタスクまたは大規模な汎用データセットで学習された重みから開始し、学習率を下げて小規模なターゲットデータセットでトレーニングを続行します。この事前学習済み表現の再利用により、MLPは、特にラベル付きターゲットデータが少ない場合に、スクラッチからトレーニングするよりも速く収束し、より良く汎化できます。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 27, 3320–3328. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Fine-Tuned Multilayer Perceptron (Transfer Learning via MLP Weight Adaptation). ScholarGate. https://scholargate.app/ja/deep-learning/fine-tuned-multilayer-perceptron
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- ファインチューニングされた畳み込みニューラルネットワーク深層学習↔ 比較
- ファインチューニングLSTM深層学習↔ 比較
- Fine-Tuned Transformer深層学習↔ 比較
- 多層パーセプトロン (MLP)深層学習↔ 比較