.png){kind=icon}
返回
Data Complexity and Instance Hardness Measures in Transferability Evaluation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-15987-8_20.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）的进步推动了多样化预训练模型的发展。通过迁移学习，这些模型的知识可以转移到其他领域，以解决训练数据仍然稀缺的挑战性问题。然而，目前存在具有不同架构和可能不同源域的多种预训练模型，这使得选择具有良好迁移性的特定模型具有挑战性。本文探讨的假设是，嵌入目标数据集的数据复杂性，如预训练模型提供的特征表示所示，可用于指导为新目标应用选择特定模型。具体而言，如果表示能够实现良好的类别分离，则其知识迁移能力将优于类别重叠更多的表示。我们通过实验证明，特定的数据复杂性和实例硬度度量可以有效评估不同预训练模型对新目标数据集的知识迁移能力，从而实现模型的排名评估。
Keyword:
Machine Learning
Pre-trained Models
Transfer Learning
Data Complexity Measures
Instance Hardness
期刊
I
IF:
0
论文数:
41
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏How Complex Is Your Classification Problem?: A Survey on Measuring Classification Complexity您的分类问题有多复杂？: 测量分类复杂性的调查
PREAI
分享收藏分享收藏分享收藏
查看更多内容