Uczenie transferowe z regularyzacją
Uczenie transferowe z regularyzacją stosuje jawne człony kary do potoku uczenia transferowego, aby kontrolować, jak bardzo model odchodzi od wiedzy z domeny źródłowej podczas adaptacji do nowej domeny docelowej. Regulator zniechęca do negatywnego transferu — szkodliwego przenoszenia nieistotnych wzorców źródłowych — jednocześnie zachowując korzystne wspólne reprezentacje i zapobiegając przeuczeniu, gdy etykiety z domeny docelowej są rzadkie.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/pl/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.
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie metryczneUczenie maszynowe↔ compare
- Regularyzowana regresja logistycznaUczenie maszynowe↔ compare
- Uregulowany las losowyUczenie maszynowe↔ compare
- Uczenie transferowe częściowo nadzorowaneUczenie maszynowe↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →