迁移学习(Transfer Learning)是一种机器学习方法,是把一个领域(即源领域)的知识,迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果。迁移学习(TL)是机器学习(ML)中的一个研究问题,着重于存储在解决一个问题时获得的知识并将其应用于另一个但相关的问题。例如,在学习识别汽车时获得的知识可以在尝试识别卡车时应用。尽管这两个领域之间的正式联系是有限的,但这一领域的研究与心理学文献关于学习转移的悠久历史有关。从实践的角度来看,为学习新任务而重用或转移先前学习的任务中的信息可能会显着提高强化学习代理的样本效率。
跨域遥感场景解译研究进展
专知会员服务
23+阅读 · 3月19日
面向机器人系统的虚实迁移强化学习综述
专知会员服务
31+阅读 · 2月8日
【NTU博士论文】语言模型自适应迁移学习
专知会员服务
32+阅读 · 2023年12月20日
强化学习中迁移的基础:知识形态的分类
专知会员服务
28+阅读 · 2023年12月6日
【MIT博士论文】用于口语处理的迁移学习,202页pdf
专知会员服务
25+阅读 · 2023年8月14日
【伯克利博士论文】可迁移生成模型,137页pdf
专知会员服务
52+阅读 · 2023年5月23日
复旦等最新《预训练3D点云的自监督学习》综述
专知会员服务
28+阅读 · 2023年5月10日
基于因果建模的强化学习控制: 现状及展望
专知会员服务
68+阅读 · 2023年3月3日
【AAAI2023】图上的非独立同分布迁移学习
专知会员服务
23+阅读 · 2022年12月25日
微信扫码咨询专知VIP会员