一种基于实例的混合迁移学习方法
机器学习
2018-12-05 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
近年来，监督式机器学习模型在多种应用领域中取得了巨大成功。尽管结果令人鼓舞，这些成功的模型对数据需求量大，其性能严重依赖于训练数据规模。然而，在许多医疗健康应用中，难以收集到足够大的训练数据集。迁移学习可通过将知识从易得的数据集（源）转移到新数据集（目标）来帮助克服此问题。在这项工作中，我们提出一种基于实例的混合迁移学习方法，其性能优于一组基线方法，包括最先进的基于实例的迁移学习方法。我们的方法使用概率加权策略将源域的信息融合到目标域中学习的模型。我们的方法是通用的，适用于多源域，并且对于负迁移具有鲁棒性。我们通过针对两个不同应用的广泛实验证明了我们方法的有效性。
引用
@article{arxiv.1812.01063,
title = {A Hybrid Instance-based Transfer Learning Method},
author = {Azin Asgarian and Parinaz Sobhani and Ji Chao Zhang and Madalin Mihailescu and Ariel Sibilia and Ahmed Bilal Ashraf and Babak Taati},
journal= {arXiv preprint arXiv:1812.01063},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:cs/0101200