Aprendizado por Transferência Regularizado
O Aprendizado por Transferência Regularizado aplica termos de penalidade explícitos a um pipeline de aprendizado por transferência para controlar o quanto um modelo se afasta do conhecimento do domínio de origem ao se adaptar a um novo domínio de destino. O regularizador desencoraja a transferência negativa — a propagação prejudicial de padrões irrelevantes de origem — ao mesmo tempo que preserva representações compartilhadas benéficas e previne o sobreajuste quando os rótulos do domínio de destino são escassos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/pt/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.
- Aprendizado com Poucos ExemplosAprendizado de máquina↔ compare
- Aprendizado de MétricaAprendizado de máquina↔ compare
- Regressão Logística RegularizadaAprendizado de máquina↔ compare
- Random Forest RegularizadoAprendizado de máquina↔ compare
- Transferência de Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Aprendizagem por TransferênciaAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →