論文の概要: Bayesian Transfer Learning: An Overview of Probabilistic Graphical Models for Transfer Learning

• arxiv url: http://arxiv.org/abs/2109.13233v1
• Date: Mon, 27 Sep 2021 01:06:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 14:58:59.231206
• Title: Bayesian Transfer Learning: An Overview of Probabilistic Graphical Models for Transfer Learning
• Title（参考訳）: ベイズ変換学習:伝達学習における確率論的グラフモデルの概要
• Authors: Junyu Xuan and Jie Lu and Guangquan Zhang
• Abstract要約: トランスファーラーニング(Transfer Learning)は、人工知能分野における大きな研究分野である。 確率的グラフィカルモデル(PGM)は複雑なシステムをモデル化するための強力なツールとして認識されている。 本稿では,伝達学習のためのPGMの開発を促進することを目的とする。
• 参考スコア（独自算出の注目度）: 34.312411551483116
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Transfer learning where the behavior of extracting transferable knowledge from the source domain(s) and reusing this knowledge to target domain has become a research area of great interest in the field of artificial intelligence. Probabilistic graphical models (PGMs) have been recognized as a powerful tool for modeling complex systems with many advantages, e.g., the ability to handle uncertainty and possessing good interpretability. Considering the success of these two aforementioned research areas, it seems natural to apply PGMs to transfer learning. However, although there are already some excellent PGMs specific to transfer learning in the literature, the potential of PGMs for this problem is still grossly underestimated. This paper aims to boost the development of PGMs for transfer learning by 1) examining the pilot studies on PGMs specific to transfer learning, i.e., analyzing and summarizing the existing mechanisms particularly designed for knowledge transfer; 2) discussing examples of real-world transfer problems where existing PGMs have been successfully applied; and 3) exploring several potential research directions on transfer learning using PGM.
• Abstract（参考訳）: 伝達学習では、伝達可能な知識をソースドメインから抽出し、この知識を対象ドメインに再利用する動作が、人工知能分野において大きな関心を持つ研究領域となっている。 確率的グラフィカルモデル(PGM)は複雑なシステムをモデリングするための強力なツールとして認識されており、例えば不確実性に対処し、良好な解釈可能性を持つ能力がある。 これら2つの研究分野の成功を考えると、PGMをトランスファーラーニングに適用することは自然なことと思われる。 しかし、文献中では転帰学習に特有な優れたPGMがいくつか存在するが、この問題に対するPGMの可能性はいまだに過小評価されている。 本稿では,伝達学習のためのPGMの開発を促進することを目的とする。 1) 伝達学習に特有なPGMのパイロット研究、すなわち、特に知識伝達のために設計された既存のメカニズムの分析及び要約についての検討 2 既存のPGMの適用が成功した実世界の移転問題の事例を議論し、 3) pgmを用いた転校学習研究の方向性を探究する。

関連論文リスト

• Bayesian Transfer Learning [13.983016833412307]
  トランスファーラーニング」は、関連分野のデータを活用することにより、関心領域における推論および/または予測精度の向上を目指す。 本稿では,新しい学習課題を導く上で,事前知識に基づく学習の概念と自然に相容れないにもかかわらず,比較的注意を払われたバイーシアン学習のアプローチを取り上げる。 本稿では,これらの手法がドメイン間の転送に最適な情報を見つける問題にどのように対処するかを論じる。
  論文  参考訳（メタデータ） (2023-12-20T23:38:17Z)
• A Recent Survey of Heterogeneous Transfer Learning [15.830786437956144]
  異種移動学習は 様々なタスクにおいて 重要な戦略となっている。 データベースとモデルベースの両方のアプローチを網羅した60以上のHTLメソッドの広範なレビューを提供する。 自然言語処理,コンピュータビジョン,マルチモーダル学習,バイオメディシンの応用について検討する。
  論文  参考訳（メタデータ） (2023-10-12T16:19:58Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• Feasibility of Transfer Learning: A Mathematical Framework [4.530876736231948]
  それは、必要な数学的概念を確立し、伝達学習のための数学的枠組みを構築することから始まる。 そして、3段階の転送学習手順を最適化問題として特定・定式化し、実現可能性問題の解決を可能にする。
  論文  参考訳（メタデータ） (2023-05-22T12:44:38Z)
• Visualizing Transferred Knowledge: An Interpretive Model of Unsupervised Domain Adaptation [70.85686267987744]
  教師なしのドメイン適応問題は、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することができる。 本稿では、翻訳された知識の謎を視覚的に明らかにする最初の試みとして、教師なしドメイン適応の解釈モデルを提案する。 提案手法は,ベースモデルの予測を直感的に説明し,画像パッチをソースドメインとターゲットドメインの両方で同一のセマンティクスとマッチングすることで伝達知識を公開する。
  論文  参考訳（メタデータ） (2023-03-04T03:02:12Z)
• Transfer Learning on Electromyography (EMG) Tasks: Approaches and Beyond [8.167024471353]
  本調査は,EMG関連分析における既存の転写学習手法の生物学的基礎に関する知見を提供することを目的としている。 まず,筋の生理構造と筋電図生成機構を紹介する。 既存の研究成果を,データベース,モデルベース,トレーニングスキームベース,敵ベースに分類する。
  論文  参考訳（メタデータ） (2022-10-03T11:57:48Z)
• Dual-Teacher++: Exploiting Intra-domain and Inter-domain Knowledge with Reliable Transfer for Cardiac Segmentation [69.09432302497116]
  最先端の半教師付きドメイン適応フレームワークである Dual-Teacher++ を提案する。 ソースドメイン(MRなど)からのクロスモダリティ優先度を探索するドメイン間教師モデルと、ラベルのないターゲットドメインの知識を調査するドメイン内教師モデルを含む、新しいデュアル教師モデルを設計する。 このようにして、学生モデルは信頼できる二重ドメイン知識を得て、ターゲットドメインデータのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2021-01-07T05:17:38Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)
• What is being transferred in transfer learning? [51.6991244438545]
  事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。 事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
  論文  参考訳（メタデータ） (2020-08-26T17:23:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。