Regularizované transferové učenie
Regularizované transferové učenie aplikuje explicitné penalizačné členy na pipeline transferového učenia s cieľom kontrolovať, do akej miery sa model odkláňa od znalostí zo zdrojovej domény pri adaptácii na novú cieľovú doménu. Regularizátor potláča negatívny transfer – škodlivý prenos irelevantných vzorov zo zdrojovej domény – pričom zachováva prospešné zdieľané reprezentácie a predchádza pretrénovaniu, keď sú štítky cieľovej domény nedostatkové.
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
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/sk/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.
- Few-shot LearningStrojové učenie↔ compare
- Učenie metríkStrojové učenie↔ compare
- Regularizovaná logistická regresiaStrojové učenie↔ compare
- Regularizovaný náhodný lesStrojové 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 →