Bayesovské prenosové učenie
Bayesovské prenosové učenie je pravdepodobnostný rámec, ktorý využíva poznatky z bohatej zdrojovej domény na konštrukciu informatívnych apriórnych rozdelení pre model trénovaný na cieľovej doméne s nedostatkom dát. Zakódovaním poznatkov zo zdrojovej domény ako apriórnych rozdelení parametrov rámec umožňuje modelu dobre generalizovať na cieľovej úlohe aj s veľmi obmedzenými označenými príkladmi.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Bayesian Transfer Learning (Probabilistic Domain Adaptation). ScholarGate. https://scholargate.app/sk/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.
- Bayesianovský Gaussovský procesStrojové učenie↔ compare
- Few-shot LearningStrojové učenie↔ compare
- Polosupervizované učenie s prenosomStrojové učenie↔ compare
- Prenosové učenieStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →