基于简化核均值嵌入规约的模型复用
机器学习
2020-01-22 v1 机器学习
摘要
给定一个为各种任务构建的、公开可用的机器学习模型池，当用户计划为自己的机器学习应用构建模型时，是否可以在池中的模型基础上进行构建，从而复用这些现有模型上先前的努力，而非从零开始？此处的一大挑战在于，如何在无法访问池中模型原始训练数据的情况下，找到对当前应用有帮助的模型。本文提出了一个两阶段框架。在上传阶段，当模型上传至模型池时，我们构建简化核均值嵌入（RKME）作为该模型的规约。随后在部署阶段，将基于 RKME 规约的值来衡量当前任务与预训练模型之间的相关性。理论结果与大量实验验证了我们所提方法的有效性。
引用
@article{arxiv.2001.07135,
title = {Model Reuse with Reduced Kernel Mean Embedding Specification},
author = {Xi-Zhu Wu and Wenkai Xu and Song Liu and Zhi-Hua Zhou},
journal= {arXiv preprint arXiv:2001.07135},
year = {2020}
}