Aug, 2017
学习迁移
Learning to Transfer
Ying Wei, Yu Zhang, Qiang Yang
TL;DR利用 “学习转移(L2T)” 框架,从之前的转移学习经验中学习反思功能并利用其来自动确定最佳的转移方法和转移内容,以此来发现更多可以转移的知识。
Abstract
transfer learning borrows knowledge from a source domain to facilitate
learning in a target domain. Two primary issues to be addressed in transfer
learning are what and how to transfer. For a pair of domains, adopting
different →
发现论文,激发创造
学习什么和在哪里转移
本研究提出了一种基于元学习的转移学习方法,可以在异构架构和任务之间自动学习来自源网络的知识应该转移到目标网络的哪个位置,该方法在多种数据集和网络架构上都显著优于手工制定的传统方法。
May, 2019
一种统一的元学习框架用于动态迁移学习
本文研究了一种更为现实和具有挑战性的转移学习设置,其中源任务和目标任务在时间上不断变化,我们提出了一个基于元学习的通用框架 L2E,它能够有效地在动态任务之间传递知识、快速适应新目标任务、减轻历史目标任务的灾难性遗忘,并且可灵活地结合任何现有的静态转移学习算法,验证实验表明该框架的有效性。
Jul, 2022
转移适应学习:十年综述
本文综述了过去十年中 TAL 方法学术的进展和技术挑战,并提出了广义解决方案,包括实例重新加权适应、特征适应、分类器适应、深度网络适应和对抗适应,以实现全面的理解和未来挑战的安全应用。
Mar, 2019
迁移学习综述
本综述对转移学习的 40 多个代表性方法进行了系统总结,从数据和模型的角度介绍了同质转移学习的机制和策略,并通过实验证明了在不同应用程序中选择适当的传输学习模型的重要性。
Nov, 2019
学习动态转化以提高对抗迁移性能
通过学习选择最佳的变换组合以提高对抗传递能力的一种新方法,名为 Learning to Transform (L2T),在实验中展现出优于现有方法的性能,并证实其有效性和实用意义。
May, 2024
迁移学习的可行性:一个数学框架
本文探讨了迁移学习的可行性问题,并构建了一个数学框架,将三个步骤的迁移学习过程形式化为一个优化问题,研究发现在适当的损失函数和数据集选择下,存在迁移学习的最佳过程,这些研究为特征增强在模型性能中的影响,域适应的潜在扩展以及在图像分类中进行高效特征提取器转移的可行性提供了新的见解。
May, 2023