简单 MLP 的空间迁移学习
本研究通过多任务高斯过程和基于信息的目标函数结合迁移学习和主动学习，探索假设的相关关系空间，并实时评估这些假设，以提高规划效率。该方法通过在前 5 个样本内降低预测误差 1.5-6 倍来减少采样成本，并能快速识别和拒绝不良假设，不会对规划产生不良影响。
Feb, 2024
本文提出了一种新的转移学习框架，借助相似的源数据改善空间自相关模型的估计和预测精度，包括一个转移阶段和一个去偏阶段的两阶段算法用于估计未知参数，并建立了相应估计器的理论收敛速度；如果不知道哪些源数据需要转移，提出了一种基于空间残差自助法的可转移源数据检测算法以保留必要的空间依赖性，并得出了其检测一致性。通过仿真实验表明，使用具有信息的源数据，该转移学习算法显著提高了经典的两阶段最小二乘估计器的性能。在实证应用中，我们将该方法应用于 2020 年美国总统选举中摇摆州的选举预测，利用 2016 年美国总统选举的民意调查数据以及其他人口和地理数据。实证结果表明我们的方法优于传统估计方法。
May, 2024
本文探讨使用反差学习作为辅助训练目标来促进更通用和可转移的特征，在此基础上提出了一种基于注意力的空间反差目标来学习本地区分和类别不可知特征。通过大量实验证明了该方法优于最先进的方法，证实了学习良好、可转移的嵌入在 few-shot 学习中的重要性。
Dec, 2020
本文探讨了如何通过使用转移学习和卷积神经网络等技术来提高大规模空间问题的训练效率，提出小信号窗口训练成果可在大信号上应用的理论，并在移动基础设施方面得到了实证支持。
Jun, 2023
交通预测是一种典型的时空数据挖掘任务，对公共交通系统具有重要意义。为了实现高效、轻量和有效的时空预测方法，我们提出了一种直观而新颖的框架 MLPST，它是一个纯多层感知器架构，能够在要求仅为线性计算复杂度的同时，很好地捕捉空间和时间依赖关系。通过与先进基准模型的比较，广泛的实验证实了 MLPST 的出色效果和高效性，而在模型的准确率最优中，MLPST 实现了最好的时间和空间效率。
Sep, 2023
该研究提出了一种名为 RegionTrans 的跨城市转移学习方法，旨在解决城市计算中深度时空预测任务中数据匮乏的问题，并在人群流量预测实验中验证其有效性。
Feb, 2018
本文探讨了一种新的研究难题，即如何在多个时空预测任务之间进行非监督迁移学习，提出了一种不同 iable 记忆的方法，并应用于目标网络之中，在预测空间时间方面获得了显著提高。
Sep, 2020
我们提出了两种简单且计算高效的方法，基于线性回归模型的负正则化均方差误差来估计优化的目标模型的转移性，在准确性和效率两方面显著优于现有的最先进的回归可转移性估计器。
Dec, 2023
研究了在多输入多输出（MIMO）通信系统中，基于机器学习的无驾驶空间复用的可行性。结果表明，通过联合训练发射机和接收机，发射机可以学习到适用于空间流的星座图形，从而实现完全盲分离和检测。在调制阶数和信噪比方面，与传统的基于导频信号系统相比，学习到的无导频信号方案可以提高 15-20% 的频谱效率。
Dec, 2023
本文研究使用参数转移方法进行转移学习问题，介绍了基于参数特征映射的局部稳定性和参数转移可学习性，并推导了参数转移算法的学习界限。作为参数转移学习的应用，讨论了自学习中稀疏编码的性能，并提供了自学习的第一个理论学习界限。
Oct, 2016