Domänadaptiv Multilayer Perceptron
En domänadaptiv multilayer perceptron (DA-MLP) är ett framåtriktat neuralt nätverk som tränas för att lära sig representationer som är användbara över en märkt källdomän och en omärkt eller annorlunda distribuerad måldomän. Genom att minimera både en uppgiftsförlust och ett objektiv för domändiskrepans, generaliserar MLP:n till måldomänen med få eller inga etiketter från måldomänen.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- Ben-David, S., Blitzer, J., Crammer, K., Kulesza, A., Pereira, F., & Vaughan, J. W. (2010). A theory of learning from different domains. Machine Learning, 79(1–2), 151–175. DOI: 10.1007/s10994-009-5152-4 ↗
- Ganin, Y., Ustinova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Domain-adaptive Multilayer Perceptron (DA-MLP). ScholarGate. https://scholargate.app/sv/deep-learning/domain-adaptive-multilayer-perceptron
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Domänadaptiv faltningsnätverk (Convolutional Neural Network, CNN)Djupinlärning↔ jämför
- Domänadaptivt rekurrent neuralt nätverkDjupinlärning↔ jämför
- Domänadaptiv TransformerDjupinlärning↔ jämför
- Finjusterad Multilayer PerceptronDjupinlärning↔ jämför
- Multilayer Perceptron (MLP)Djupinlärning↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →