文献

J-GLOBAL ID：201802288132259903   整理番号：18A0194850

不完全マルチソース転移学習【Powered by NICT】

Incomplete Multisource Transfer Learning

著者 (3件)： Ding Zhengming (Department of Electrical and Computer Engineering, Northeastern University, Boston, MA, USA) ,  Shao Ming (Department of Computer and Information Science, University of Massachusetts Dartmouth, Dartmouth, MA, USA) ,  Fu Yun (Department of Electrical and Computer Engineering, College of Computer and Information Science, Northeastern University, Boston, MA, USA)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 2  ページ： 310-323  発行年： 2018年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 転移学習は,一般的には弱く標識または非標識標的ドメインにおける学習タスクのための十分に確立された源知識を適応させるために利用した。,知識移転のための有効な多重源,それらの各々は,標的領域の完全なクラス情報を含むかもしれないを見るのが一般的である。単純多重源を併せて多重源間の大きな発散による劣る結果をもたらすであろう。本論文では,ターゲット領域における学習課題を容易にするために有効な知識移転のための不完全な多重源を利用することを試みた。この目的のために,二方向知識移転,すなわち,ターゲットへの各源からのクロスドメイン移動及び断面源移動を介した不完全なマルチソース転移学習を提案した。特に,領域間共通方向では,対象ドメインに各単一源からの知識を転送する反復構造学習により誘導された潜在的低ランク転移学習を配備した。この慣行は完全な標的データによって各ソースの欠測データを補償するために強化する。が断面源方向に,教師なし多様体正則化器で効果的な多重配列は,他の源の一つの部分からの欠測値を補償するために調べた。でこのようにして,二方向の周辺確率および条件付分布不一致が緩和されるだろう。標準領域間共通ベンチマークと合成データセット上での実験結果により,不完全な複数情報源からの知識移転における著者らの提案したモデルの有効性を実証した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 多様体 ,  多重化 ,  情報源 ,  ベンチマーク ,  正則化 ,  *学習
準シソーラス用語： 構造学習 ,  学習課題 ,  知識移転 ,  *転移学習 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： マルチ ,  ソース ,  転移学習