Регуларизовано трансферно учење
Регуларизовано трансферно учење примењује експлицитне казнене термине на цевовод трансферног учења како би контролисало колико се модел удаљава од знања из изворног домена приликом прилагођавања новом циљном домену. Регуларизатор обесхрабрује негативни трансфер — штетно преношење ирелевантних изворних образаца — истовремено чувајући корисне заједничке репрезентације и спречавајући претерано учење када су ознаке циљног домена оскудне.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/sr/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.
- Učenje sa malo primera (Few-shot Learning)Mašinsko učenje↔ compare
- Učenje metrikeMašinsko učenje↔ compare
- Regulizovana logistička regresijaMašinsko učenje↔ compare
- Регуларизована случајна шумаMašinsko učenje↔ compare
- Polu-nadgledano učenje prenosaMašinsko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →