Байесовский перенос знаний
Байесовский перенос знаний — это вероятностная структура, которая использует знания из богатого данными исходного домена для построения информативных априорных распределений для модели, обученной на целевом домене с дефицитом данных. Кодируя знания из исходного домена в виде априорных распределений параметров, эта структура позволяет модели хорошо обобщаться на целевую задачу даже при наличии очень ограниченного числа размеченных примеров.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Transfer Learning (Probabilistic Domain Adaptation). ScholarGate. https://scholargate.app/ru/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.
- Байесовский Гауссовский ПроцессМашинное обучение↔ compare
- Обучение на малом числе примеров (Few-shot Learning)Машинное обучение↔ compare
- Полуавтономное обучение с переносомМашинное обучение↔ compare
- Перенос обученияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →