概率分类向量机的迁移学习扩展
机器学习
2020-07-15 v1 机器学习
摘要
迁移学习关注于在新情境中复用监督学习模型。其突出应用可见于机器人学、图像处理或网络挖掘。在这些领域中，学习场景自然变化但彼此常相关，从而促使现有监督模型的复用。当前的迁移学习模型既非稀疏也不可解释。若方法须用于技术受限环境，稀疏性非常可取；而由于隐私法规，可解释性正变得愈发关键。本工作中，我们提出集成到稀疏且可解释的概率分类向量机中的两种迁移学习扩展。它们与该领域的标准基准进行比较，并通过稀疏性或性能改进展现出其相关性。
引用
@article{arxiv.2007.07090,
title = {Transfer learning extensions for the probabilistic classification vector machine},
author = {Christoph Raab and Frank-Michael Schleif},
journal= {arXiv preprint arXiv:2007.07090},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1907.01343