1. 転移学習の分類
(1) インスタンスベースの転移学習手法:
- 仮説: ソース ドメインとターゲット ドメインの一部のデータは、多くの共通の特徴を共有します。
- 方法: ソースドメインでインスタンスの再重み付けを実行し、ターゲットドメインのデータと類似性の高いデータをフィルタリングして、トレーニングと学習を実行します。
(2) 特徴ベースの転移学習
ソース ドメインとターゲット ドメインにいくつかの共通の相互特徴が含まれる場合、特徴変換を通じてソース ドメインとターゲット ドメインの特徴を同じ空間に変換できます。この空間とターゲット ドメインでは、ドメイン データはデータ分布と同じ分布を持ち、その後、従来の機械学習が行われます。
(3) モデルベースの移行学習 モデル
ベースの移行では、ソース ドメインとターゲット ドメインがモデル パラメーターを共有します。つまり、ソース ドメインで大量のデータを使用して学習したモデルをターゲット ドメインに適用して予測します。
- 特徴:モデルの同じ部分を直接移行可能
- トレーニングデータは必要ありません
(4) 関係ベースの移行学習
2 つのドメインが類似している場合、それらは同様の関係を共有し、移行元ドメインで学習した論理ネットワーク関係を移行先ドメイン (生物学的ウイルスなど) に適用します。 伝播則のコンピュータ ウイルスへの移行伝播法。研究活動のこの部分は比較的小規模です。代表的な方法はマッピングによる方法です。
总结迁移的方式:
- データ
- 特徴
- モデル
- 一連の考え