Uczenie transferowe bayesowskie
Uczenie transferowe bayesowskie to probabilistyczny schemat wykorzystujący wiedzę z bogatego w dane domenu źródłowego do konstrukcji informatywnych rozkładów a priori dla modelu trenowanego na docelowym domenie o ubogich danych. Poprzez kodowanie wiedzy z domenu źródłowego jako rozkładów a priori na parametrach, schemat pozwala modelowi na dobrą generalizację w zadaniu docelowym nawet przy bardzo ograniczonej liczbie oznakowanych przykładów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Raina, R., Ng, A. Y., & Koller, D. (2006). Constructing informative priors using transfer learning. In Proceedings of the 23rd International Conference on Machine Learning (ICML), pp. 713–720. ACM. link ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Transfer Learning (Probabilistic Domain Adaptation). ScholarGate. https://scholargate.app/pl/machine-learning/bayesian-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.
- Bayesowskie procesy GaussaUczenie maszynowe↔ compare
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie transferowe częściowo nadzorowaneUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →