简介: 事实证明,迁移学习是在缺乏训练数据的领域中训练深度学习模型的成功技术。主要方法是在大型通用数据集(例如ImageNet)上预训练模型,并在目标域上确定其权重。但是,在海量数据集数量不断增加的新时代,选择相关数据进行预训练是一个关键问题。我们引入了神经数据服务器(NDS),这是一个大型搜索引擎,用于将最有用的传输学习数据查找到目标域。我们的NDS由一个数据服务器组成,该数据服务器为几个大型的流行图像数据集建立索引,并旨在将数据推荐给具有目标应用程序的最终用户的客户端,该应用程序具有自己的小标签数据集。就像在任何可能为众多用户提供信息的搜索引擎中一样,我们希望数据服务器执行的在线计算最少。数据服务器代表具有更紧凑的专家混合模型的大型数据集,并使用它以低计算量在一系列数据服务器-客户端事务中执行数据搜索。我们展示了NDS在各种迁移学习场景中的有效性,展示了在一些目标数据集和任务(例如图像分类,对象检测和实例分割)上的最新性能。

作者: Xi Yan, David Acuna, Sanja Fidler

成为VIP会员查看完整内容
6

相关内容

多伦多大学(英语:University of Toronto),位于安大略省多伦多市,与安大略省政府及议会环绕在市中心的女王公园四周,现已发展成为一所以圣乔治校区(St.George Campus, UTSG)为主,密西沙加校区(Mississauga Campus, UTM)和士嘉宝校区(Scarborough Campus, UTSC)为辅的,以"一主两翼"为格局的世界知名研究性大学。学校始于1827年英国乔治四世颁布的皇家宪章,是殖民时代上加拿大最早建立的高等学府。它早期名为“国王学院”,直至于1849年脱离圣公会而成为非宗教大学,并改为现名。受英国大学制度影响,多伦多大学是美洲少数实行独立书院制的学府,各书院享有高度自治权。

【硬核书】可扩展机器学习:并行分布式方法
专知会员服务
80+阅读 · 2020年5月23日
深度学习搜索,Exploring Deep Learning for Search
专知会员服务
56+阅读 · 2020年5月9日
【新书】深度学习搜索,Deep Learning for Search,附327页pdf
专知会员服务
202+阅读 · 2020年1月13日
【自监督学习】OpenAI科学家一文详解自监督学习
产业智能官
25+阅读 · 2020年3月18日
元学习—Meta Learning的兴起
专知
44+阅读 · 2019年10月19日
20个安全可靠的免费数据源,各领域数据任你挑
机器学习算法与Python学习
12+阅读 · 2019年5月9日
Dataset Search | 数据集搜索专用引擎
机器学习算法与Python学习
9+阅读 · 2018年9月7日
【迁移学习】简述迁移学习在深度学习中的应用
产业智能官
15+阅读 · 2018年1月9日
论文 | 2017CIKM - 迁移学习专题论文分享
机器学习研究会
6+阅读 · 2017年12月22日
大数据分析研究组开源Easy Machine Learning系统
中国科学院网络数据重点实验室
14+阅读 · 2017年6月13日
Arxiv
9+阅读 · 2020年4月5日
Arxiv
14+阅读 · 2019年9月11日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
Meta-Transfer Learning for Few-Shot Learning
Arxiv
7+阅读 · 2018年12月6日
Arxiv
4+阅读 · 2018年9月11日
Arxiv
5+阅读 · 2017年10月27日
VIP会员
相关资讯
【自监督学习】OpenAI科学家一文详解自监督学习
产业智能官
25+阅读 · 2020年3月18日
元学习—Meta Learning的兴起
专知
44+阅读 · 2019年10月19日
20个安全可靠的免费数据源,各领域数据任你挑
机器学习算法与Python学习
12+阅读 · 2019年5月9日
Dataset Search | 数据集搜索专用引擎
机器学习算法与Python学习
9+阅读 · 2018年9月7日
【迁移学习】简述迁移学习在深度学习中的应用
产业智能官
15+阅读 · 2018年1月9日
论文 | 2017CIKM - 迁移学习专题论文分享
机器学习研究会
6+阅读 · 2017年12月22日
大数据分析研究组开源Easy Machine Learning系统
中国科学院网络数据重点实验室
14+阅读 · 2017年6月13日
相关论文
Arxiv
9+阅读 · 2020年4月5日
Arxiv
14+阅读 · 2019年9月11日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
Meta-Transfer Learning for Few-Shot Learning
Arxiv
7+阅读 · 2018年12月6日
Arxiv
4+阅读 · 2018年9月11日
Arxiv
5+阅读 · 2017年10月27日
微信扫码咨询专知VIP会员