1. 首页
  2. 文章中心
  3. 迁移学习

论文笔记 —— 《Transfer Feature Learning with Joint Distribution Adaptation》

210 阅读 0 评论
我是靠谱客的博主 和谐猫咪，这篇文章主要介绍论文笔记 —— 《Transfer Feature Learning with Joint Distribution Adaptation》，现在分享给大家，希望可以做个参考。

论文笔记 —— 《Transfer Feature Learning with Joint Distribution Adaptation》

  1. Joint Distribution Adaptation联合分布适配(JDA)：降维过程中联合边缘分布和条件分布，并构造新的特征表示。
  2. 现有的迁移学习方法大致可以分为两类：实例重加权和特征提取，后者分为属性保存和分布适配（需要一些标记的目标数据，要么需要多个源域来进行一致学习）。
  3. 没有目标域的标签怎么办？通过将一些基于标记源数据训练的基分类器应用于未标记的目标数据，可以很容易地预测目标数据的伪标签。则可以匹配条件分布。
  4. 目标是同时最小化跨域的边缘分布和条件分布的差异。
  5. TCA使JDA的一个特例，c=0。

最后

以上就是和谐猫咪最近收集整理的关于论文笔记 —— 《Transfer Feature Learning with Joint Distribution Adaptation》的全部内容，更多相关论文笔记内容请搜索靠谱客的其他文章。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
点赞(139)

相关文章

Learning Transferable Features with Deep Adaptation Networks摘要2. Related Work 3. Deep Adaptation Networks
Learning Transferable Features with Deep Adaptation Networks摘要2. Related Work 3. Deep Adaptation Networks
最优传输及其在公平中的应用
最优传输及其在公平中的应用
【笔记】迁移学习中度量方法MMD（Maximum Mean Discrepancy 最大均值差异）
【笔记】迁移学习中度量方法MMD（Maximum Mean Discrepancy 最大均值差异）
【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）
【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）
论文笔记 —— 《Transfer Feature Learning with Joint Distribution Adaptation》
论文笔记 —— 《Transfer Feature Learning with Joint Distribution Adaptation》
[2022]李宏毅深度学习与机器学习第十一讲（必修）-Domain Adaptation做笔记的目的Domain ShiftDomain Adaptation
[2022]李宏毅深度学习与机器学习第十一讲（必修）-Domain Adaptation做笔记的目的Domain ShiftDomain Adaptation
最优传输论文（六）：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文原理前言原理阐述
最优传输论文（六）：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文原理前言原理阐述
对齐与分布图层
对齐与分布图层

评论列表共有 0 条评论

立即
投稿
返回
顶部