大学教育网

迁移学习为机器学习误差估计提供了新的见解

导读 德克萨斯 A&M 大学电气与计算机工程系博士生 Omar Maddouri 正在与教授 Byung-Jun Yoon 博士和 Robert M Kennedy 讲座教授 E

德克萨斯 A&M 大学电气与计算机工程系博士生 Omar Maddouri 正在与教授 Byung-Jun Yoon 博士和 Robert M. Kennedy 讲座教授 Edward Dougherty 博士合作评估机器学习模型使用迁移学习原理。布鲁克海文国家实验室的 Francis "Frank" Alexander 博士和德克萨斯 A&M 大学电气与计算机工程系的钱晓宁博士也参与了该项目。

在数据驱动的机器学习中,建立模型来预测和估计任何给定数据集中的内容。机器学习中的一个重要领域是分类,它允许通过算法评估数据集,然后分类或分解为类或类别。当提供的数据集非常小时,不仅要基于这些数据构建分类模型,还要评估这个模型的性能,确保其准确性,这可能是非常具有挑战性的。这就是迁移学习发挥作用的地方。

“在迁移学习中,我们尝试迁移知识或从另一个领域带来数据,看看我们是否可以增强我们在感兴趣的领域或目标领域所做的任务,”Maddouri 解释说。