![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
迁移学习
文章平均质量分 81
chiyustory
一直在进步
展开
-
迁移学习基本知识
本文用于了解迁移学习的基本知识!!!1. 什么是迁移学习?迁移学习也称为归纳迁移、领域适配,其目标是将某个领域或任务上学习到的知识或模式应用到不同的但相关的领域或问题中。例如学习走路的技能可以用来学习跑步、学习识别轿车的经验可以用来识别卡车等。2. 迁移学习的主要思想?从相关的辅助领域中迁移标注数据或知识结构、完成或改进目标领域或任务的学习效果。3. 迁移学习研究的意义...原创 2018-04-18 15:03:21 · 17127 阅读 · 1 评论 -
源领域和目标领域过程相似性分析
1. 过程相似性定义 Lu等在《Process Similarity and Developing New Process Models Through Migration》根据有限的过程属性集,或者根据这些属性之间的关系来描述特定过程,分为基于属性的表示方法和基于模型的表示方法。基于属性的表示方法是利用有限属性及其属性值来表示,主要关注工艺设备和过程条件;基于模型的表示方法是利用...原创 2018-12-17 15:32:51 · 9200 阅读 · 1 评论 -
基于联合分布适配的迁移学习(论文翻译)
基于联合分布适配的迁移学习Abstract 迁移学习应用在计算机视觉是一种有效的技术,可以利用源域中丰富的标记数据为目标域构建准确的分类器。然而,大多数现有方法并没有同时减少域间边缘分布和条件分布的差异。在本文中,我们提出了一种新型的迁移学习方法,称为联合分布适配(JDA)。具体而言,JDA的目标是在principled维度降低过程中联合适配边缘分布和条件分布,并构建新的特征表示,其对于适配分布...原创 2018-05-21 19:15:05 · 6460 阅读 · 0 评论 -
1. LST-KSVC算法
最小二乘多分类支持向量机(LST-KSVC)本文是对论文《Least squares twin multi-class classification support vector machine》所提出的LST-KSVC算法的复现!基于此,本人对此算法也做了一定的改进,首先将其改进为分类精度更...原创 2020-09-28 07:17:32 · 507 阅读 · 0 评论 -
2. Advanced LST-KSVC算法
本文是对前文中的LST-KSVC算法的改进!1. 改进的理由 如果使用JA Nasiri等人提出LST-KSVC算法的阈值判断决策方式分类错误率较高。该算法的分类结构是“1-versus-1-versus-rest”,结果输出为{-1,0,+1}。因此,本文将此分类结构改为 “1-versus-1-versus -1”,增加最优化问题,修改各个分离超平面的约束项,最大化当...原创 2020-09-28 07:17:56 · 366 阅读 · 2 评论 -
3. 基于Advanced LST-KSVC的模型迁移学习算法
本文是基于Advanced LST-KSVC引入了模型迁移学习的策略,将此算法改为可用于模型迁移的算法,改进方式采用的是常规的措施。1. 模型迁移学习定义 依据迁移内容的方式划分为:基于样本的迁移学习、基于特征的迁移学习、基于模型的迁移学习、基于相关知识的迁移学习。此种分类方式最为直观。 基于样本的迁移学习方法前提条件是源领域和目标领域中样本分布不同但是具...原创 2020-09-28 07:17:45 · 353 阅读 · 0 评论 -
DaNN详解
1.摘要 本文提出了一个简单的神经网络模型来处理目标识别中的域适应问题。该模型将最大均值差异(MMD)度量作为监督学习中的正则化来减少源域和目标域之间的分布差异。从实验中,本文证明了MMD正则化是一种有效的工具,可以为特定图像数据集的SURF特征建立良好的域适应模型。本文代表了在神经网络背景下对MMD度量的初次研究。2.研究背景及意义 在基于机器学习算法的计算机...原创 2018-12-17 15:32:41 · 23877 阅读 · 3 评论 -
TCA详解
基于迁移成分分析的域适配1.摘要 域适配允许将来自源域的知识迁移到与其不同但相关的目标域。通俗解释是发现一个良好的跨域特征表示。本文提出通过TCA来寻找这种特征表示,即TCA使用MMD在再生核Hilbert空间中学习一些跨域的迁移成分。在这些迁移成分跨域的子空间中,数据属性被保留,且不同域的数据分布相互接近。...原创 2018-12-15 09:42:23 · 12037 阅读 · 0 评论