Regularizētā pārvietotā mācīšanās
Regularizētā pārvietotā mācīšanās (Regularized Transfer Learning) pārvietotās mācīšanās plūsmā ievieš skaidrus soda termiņus, lai kontrolētu, cik lielā mērā modelis novirzās no avota domēna zināšanām, pielāgojoties jaunam mērķa domēnam. Regularizators attur no negatīvas pārvietošanas — kaitīgas neatbilstošu avota modeļu pārnešanas —, vienlaikus saglabājot labvēlīgas kopīgas reprezentācijas un novēršot pārmērīgu pielāgošanos (overfitting), ja mērķa domēna marķējumi ir reti.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/lv/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.
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Metriskā apguveMašīnmācīšanās↔ compare
- Regularizētā loģistikā regresijaMašīnmācīšanās↔ compare
- Regulārizēts nejaušais mežsMašīnmācīšanās↔ compare
- Daļēji uzraudzīta pārsūtīšanas mācīšanāsMašīnmācīšanās↔ compare
- Pārneses apmācībaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →