La adaptación de dominios ha recibido mucha atención como una forma importante de aprendizaje por transferencia. Una cuestión que debe considerarse en la adaptación de dominios es la brecha entre el dominio de origen y el dominio de destino. Con el fin de mejorar la capacidad de generalización de los métodos de adaptación de dominios, propusimos un marco para la adaptación de dominios que combina datos de origen y de destino, con un nuevo regularizador que tiene en cuenta los límites de generalización. Este término de regularización considera la métrica de probabilidad integral (IPM) como la distancia entre el dominio fuente y el dominio objetivo y, por tanto, puede acotar el error de prueba de un predictor existente a partir de la fórmula. Dado que el cálculo de IPM sólo implica dos distribuciones, este término de generalización es independiente de los clasificadores específicos. Con los modelos de aprendizaje populares, la minimización del riesgo empírico se expresa como un problema de optimización convexo general y, por tanto, puede resolverse eficazmente con las herramientas existentes. Los estudios empíricos sobre datos sintéticos para la regresión y datos del mundo real para la clasificación muestran la eficacia de este método.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Investigación sobre la conductividad eléctrica del nanofluido de AlN a base de aceite de transformador
Artículo:
Caracterización de señales microsísmicas y simulación numérica de vigas de hormigón sometidas a fractura por flexión en tres puntos
Artículo:
Preparación y caracterización de partículas poliméricas biocompatibles como nanotransportadores potenciales para terapia inhalatoria
Artículo:
Modelo de selección de características basado en múltiples reglas para la detección del tipo de sarcasmo en Twitter
Artículo:
Clasificación de textos médicos mediante modelos híbridos de aprendizaje profundo con atención multicabezal