赞
踩
目录
上周参加了闵老师组织的机器学习培训讨论会,收获颇丰。
本周参加了一些师兄师姐的论文讨论会议,对撰写论文中的很多细节和注意事项有了更加明确的认识。通过交流,我对论文结构、逻辑等关键内容有了更深的理解,学到了一些实用的写作技巧。另外,完成了论文初稿。
迁移学习允许模型将在一个任务(源任务)上学到的知识应用到另一个相关或不同的任务(目标任务)中,通过知识迁移(如模型参数、特征表示、数据关系等)来实现。该方法在数据稀缺、计算资源有限或领域迁移等情况下尤为有用,因为它能够显著减少对大量标记数据的需求,并加速模型在新任务上的学习过程。
核心原理:
域自适应学习(Domain Adaptation Learning)旨在解决训练样本和测试样本概率分布不一致的问题。这是一种迁移学习方法,它利用从一个或多个源域(具有大量标记数据的领域)学到的知识,来提高在目标域(标记数据不足或没有的领域)上的模型性能。
基本思想:寻找源域和目标域之间的共同潜在因素,并通过一定的方法使它们在新的特征空间下分布相似或相同,从而实现在目标域上的良好性能。这通常涉及将源域和目标域的数据映射到一个新的特征空间中,并在这个空间下寻找合适的度量准则或模型参数。
域自适应学习的方法可以大致分为以下几类:
见之前的周报:2024年3月30日~2024年4月7日周报_m-rudsr网络-CSDN博客
持续学习是指模型在接收到新的数据时,能够不断更新模型,而不需要重新训练整个模型。这要求模型在适应新任务的同时,保持对旧任务的记忆。模型的可持续性(Model Continuity)是持续学习的关键。它指的是模型在连续接收新数据时,能够持续更新自身,而无需从头开始训练。
持续学习的算法步骤主要包括以下几个步骤:
论文写作中的一些小tips:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。