跨领域知识转移的图启用方法
本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题,提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架,并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取,实验结果表明,该框架可以有效执行领域适应和构建知识图谱的任务。
Nov, 2022
通过对跨领域强化学习的了解和分类,以及对数据假设需求进行特征分析,本文全面系统地介绍了不同领域知识传递方法的研究,讨论了交叉领域知识传递的主要挑战以及未来研究方向。
Apr, 2024
本文介绍了两种基于知识图谱(KG)的框架,用于人类可理解的迁移学习解释,其中一种利用卷积神经网络(CNN)学习的特征的可转移性,另一种则通过零样本学习(ZSL)从多个源域预测目标域的模型,并利用 KG 及其推理能力来提供丰富而易于理解的解释。
Jan, 2019
本文综述了利用知识图谱的视觉迁移学习方法,着重分析知识图谱的建模结构、特征提取和知识图嵌入方法,并介绍了四种知识图谱与深度学习管道的组合方式。同时,提供了评估基准、处理数据集和基于知识图谱的辅助知识类型的概述。未来的研究应着眼于挖掘面临的挑战和开放问题。
Jan, 2022
本文提出一种基于知识迁移和神经网络的方法,使得在新领域中,能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务,并且在特征空间约束和映射网络方面提出了一些策略,从而在合成到真实的语境下,利用单目深度估计和语义分割任务之间的知识迁移,获取了令人满意的结果。
Jan, 2023
该论文提出了一种新的方法,将迁移学习视为学习聚类的问题,通过相似性信息的迁移学习和聚类网络的学习,实现了跨领域和跨任务的转移学习。作者使用了相似性网络和两种新方法来探究无监督域自适应和跨任务学习,并在该领域展现了最新成果,将其与其他算法进行比较。同时,该方法可以应用于不同的数据集,从而增加了灵活性和稳健性,并通过进一步与域适应法相结合,获得了更好的性能。
Nov, 2017
通过开发半监督对齐损失来匹配不同空间的一组编码器 - 解码器,本研究研究了如何衡量跨领域强化学习任务之间的相似性,以选择能够提高学习代理性能的知识源。实验结果表明,在各种 Mujoco 控制任务中,我们的方法能够有效地选择和传递知识,而无需与专家策略相匹配、配对或收集数据的监督。
Dec, 2023
本文提出了一种基于随机次梯度下降优化学习问题的交替优化技术,以在几个域适应任务上展示其性能,该技术旨在同时学习源子空间和预测函数,最小化正则化误分类损失。
Nov, 2014
本文提出一种面向跨域情感分类问题的方法,该方法采用半监督学习的想法,联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明,该方法可以更好地利用来自目标域的未标记数据,在各种实验设置中都取得了重大改进。
Sep, 2018