抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
移動学習において,訓練と試験データセットを異なるデータ分布から引き出す。移動一般化ギャップは,目標データ分布と訓練損失に関する個体群損失の間の差異であった。訓練データセットは一般に,ソースとターゲット分布の両方から得られたデータを含む。本研究は,一般化(α_1,α_2)-Jensen-Shannon(JS)発散の2パラメータファミリーを通して,ターゲットデータ分布P’_Zとソース分布P_Zの間のドメインシフトを捉える平均移動一般化ギャップに関する新しい情報理論的上限を提示した。および(ii)相互情報I(W;Z_i)によるデータセットZ_iの各個々のサンプルに対する転送学習者出力Wの感度。(α_1,α_2)-JS発散は,P_Zの担体がP’_Zのそれに含まれない場合でも,α_1→∞(0,1)に対して,(α_1,α_2)-JS発散は有界である。これは,Kullback-Leibler(KL)発散D_KL(P_Z′′P’_Z)に基づくWu et al.[1]の境界と対照的であり,これはこの仮定の下で空胞である。さらに,得られた限界は,Wu et al.[1]のφ-発散ベース結合とは異なり,有界キュムラント生成関数を持つ非有界損失関数に対して保持された。また,経験的加重リスク最小化(EWRM)のための(α_1,α_2)-JS発散に関して,平均移動過剰リスクに関する新しい上限を得て,それは,ソースと目標データセット上の加重平均訓練損失を最小化する。最後に,数値例を提供し,導入した限界の利点を説明した。【JST・京大機械翻訳】
