Обзор трансферного обучения
A survey of transfer learning
2016-05-27
SCID: 54.1/fzcwsw9j
Discuss with AI
большие данныеинтеллектуальный анализ данныхадаптация доменамашинное обучениеперенос обучения
Figures from the paper
Abstract (AI)
Методы машинного обучения и интеллектуального анализа данных применяются во многочисленных практических задачах. Традиционные методологии машинного обучения предполагают, что обучающие и тестовые данные получены из одной и той же предметной области, поэтому пространство входных признаков и характеристики распределения данных совпадают. Однако в некоторых практических сценариях машинного обучения это предположение не выполняется. В ряде случаев сбор обучающих данных является дорогостоящим или затруднительным. Поэтому существует необходимость создавать высокопроизводительные модели, обученные на более доступных данных из других предметных областей. Эта методология называется трансферным обучением. В данном обзорном исследовании формально определяется трансферное обучение, представлены сведения о современных решениях и рассмотрены приложения трансферного обучения. Наконец, приведена информация о загрузке программного обеспечения для различных решений в области трансферного обучения и обсуждаются возможные направления дальнейших исследований. Рассмотренные решения для трансферного обучения не зависят от объема данных и могут применяться в средах больших данных.
Key Findings
1
В обзоре формально определяется трансферное обучение и рассматриваются существующие методы, приложения, программные реализации и направления будущих исследований.
2
Рассмотренные решения для трансферного обучения не зависят от размера данных и могут применяться в средах работы с большими данными.
3
Традиционное машинное обучение предполагает, что обучающие и тестовые данные имеют одинаковое пространство признаков и распределение, но в реальных задачах это часто нарушается.
4
Трансферное обучение решает проблему ограниченных или дорогостоящих данных, обучая модели на более доступных данных из других предметных областей.
Research Object
Трансферное обучение (методика обучения моделей на данных из одной области для применения в другой целевой области)
Research Subject
методы, применения и эффективность переноса знаний от легко получаемых данных исходной области к моделям, работающим в другой целевой области
Publication Details
Publication Date
2016-05-27
Journal
Publisher
ISSN
Cited by
6245
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью16
Обзор методов аугментации изображений для глубокого обучения2019
Обзор глубокого обучения: концепции, архитектуры сверточных нейронных сетей, проблемы, применения и перспективные направления2021
Непрерывное обучение на протяжении всей жизни с использованием нейронных сетей: обзор2019
Последние достижения и применения машинного обучения в физике и материаловедении твёрдого тела2019
Аугментация текстовых данных для глубокого обучения2021
Машинное обучение с участием человека: современное состояние2022
Данные социальных сетей для науки о сохранении природы: методологический обзор2019
Обзор алгоритмов с экономным использованием данных в эпоху больших данных2021
Расширение организационного принятия решений с помощью алгоритмов глубокого обучения: принципы, перспективы и проблемы2020
Построение графов знаний и их биомедицинские применения2020
Google Earth Engine и искусственный интеллект (ИИ): всесторонний обзор2022
Неинвазивные интерфейсы мозг—компьютер: современное состояние и тенденции2024
Искусственный интеллект и передовые материалы2022
Интеграция глубокого обучения и дискретного косинусного преобразования для полноформатной инверсии поверхностных волн2024
Применение машинного обучения для радиографического контроля сварных соединений в аэрокосмической отрасли2024
Обнаружение цитопатических эффектов, вызванных гриппом, парагриппом и энтеровирусом, с помощью сверточной нейронной сети глубокой архитектуры2021