1. Введение 1.1 Аннотация Сфера машинного обучения все больше адаптируется от базовых моделей, ориентированных на большие данные, к моделям, которым требуется лишь несколько точек данных для обобщения на новые задачи. Подтемы машинного обучения, такие как трансферное обучение, адаптация предметной области и метаобучение, стали видными решениями. Сегодня я буду говорить о мета-переносе-обучении или сокращенно MTL ( не путать с MtL, что означает мета-обучение ). Это начало моей..

Глубокая адаптация домена с использованием PyTorch Adapt Рассмотрим сценарий, в котором вы обучали модель цифрам MNIST: И вам сказали, что ваша модель также должна работать с набором данных случайно окрашенных цифр: Оказывается, у вас нет меток для этого набора данных, поэтому вы не можете использовать обучение с учителем для переобучения своей модели. Но вы можете использовать адаптацию предметной области, которая представляет собой тип алгоритма перепрофилирования..

ДАНН, это хорошо. Эта статья Ганина и др., 2016 г. представил новую технику неконтролируемой адаптации домена. Необходимые знания: Адаптация предметной области , Репрезентативное обучение Почему? Часто у нас недостаточно размеченных данных для обучения модели глубокого обучения решению проблемы, но мы можем использовать адаптацию предметной области для адаптации модели из другой, но связанной задачи (т. е. существует shift между распределением обучающих и тестовых..

Адаптация модели, обученной на наборе данных обзоров фильмов IMDB, для определения настроений в обзорах продуктов Amazon. Разве не удивительно узнать, что маркированные данные больше не являются необходимостью для обучения модели глубокого обучения? В эпоху трансферного обучения это достижимо, но производительность ниже номинальной по сравнению с моделью, обученной с использованием помеченных данных. Мы исследуем адаптацию предметной области, подполе трансферного обучения, которое..

В этом посте описывается наша недавняя работа по адаптации домена без учителя для семантической сегментации, представленная на CVPR 2019 . ADVENT - это гибкий метод преодоления разрыва между двумя разными доменами за счет минимизации энтропии. Наша работа основана на простом наблюдении: модели, обученные только в исходной области, как правило, дают чрезмерно уверенные, т. Е. С низкой энтропией, предсказания для изображений, подобных источнику, и недостаточно уверенные, т. Е. С высокой..