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。
《可信迁移学习:综述》
专知会员服务
13+阅读 · 12月20日
小样本语义分割研究现状与分析
专知会员服务
21+阅读 · 11月11日
【牛津大学博士论文】序列决策中的迁移学习
专知会员服务
23+阅读 · 11月10日
资源受限的大模型高效迁移学习算法研究
专知会员服务
23+阅读 · 11月8日
开放环境下的跨域物体检测综述
专知会员服务
22+阅读 · 7月28日
开放环境下的跨域物体检测综述
专知会员服务
25+阅读 · 5月27日
跨域遥感场景解译研究进展
专知会员服务
39+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
38+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
34+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
33+阅读 · 2023年12月6日
微信扫码咨询专知VIP会员