Regulariserad överföringsinlärning
Reglerad överföringsinlärning tillämpar explicita straffvillkor i en överföringsinlärningspipeline för att kontrollera hur mycket en modell avviker från kunskap från källdomänen vid anpassning till en ny måldomän. Regulariseringen motverkar negativ överföring – den skadliga överföringen av irrelevant källdata – samtidigt som den bevarar fördelaktiga delade representationer och förhindrar överanpassning när etiketter i måldomänen är knappa.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Regularized Transfer Learning (Regularization-Constrained Domain Adaptation). ScholarGate. https://scholargate.app/sv/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 LearningMaskininlärning↔ compare
- MetriskinlärningMaskininlärning↔ compare
- Regulariserad logistisk regressionMaskininlärning↔ compare
- Regularized Random ForestMaskininlärning↔ compare
- Semi-supervised Transfer LearningMaskininlärning↔ compare
- ÖverföringsinlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →