Pembelajaran Pemindahan Terperaturan
Pembelajaran Pemindahan Terperaturan (Regularized Transfer Learning) mengaplikasikan sebutan penalti eksplisit pada saluran pembelajaran pemindahan untuk mengawal sejauh mana model beralih daripada pengetahuan domain sumber apabila menyesuaikan diri dengan domain sasaran baharu. Pengawal selia menghalang pemindahan negatif — bawaan corak sumber yang tidak relevan yang memudaratkan — sambil mengekalkan perwakilan kongsi yang bermanfaat dan mencegah lebih penyesuaian (overfitting) apabila label domain sasaran adalah terhad.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran Sifar Contoh (Few-shot Learning)Pembelajaran Mesin↔ compare
- Pembelajaran MetrikPembelajaran Mesin↔ compare
- Regresi Logistik TerregulasiPembelajaran Mesin↔ compare
- Random Forest Tersenor (RRF)Pembelajaran Mesin↔ compare
- Pembelajaran Pemindahan Separuh SeliaPembelajaran Mesin↔ compare
- Pembelajaran PindahanPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →