小样本学习，作为一种高效的学习范式，旨在利用极为有限的标注样本训练出具备强大泛化能力的模型。其核心策略巧妙地融合了迁移学习、元学习以及数据增强等多种技术，以应对...

迁移学习是一种利用在一个任务中学到的知识来帮助解决另一个任务的方法。在机器学习和深度学习中，迁移学习特别有用，因为它可以大幅减少训练模型所需的数据和时间。在这篇...

在将迁移学习应用于下游任务时，需要对预训练模型进行特定修改。例如，线性检测（LP）涉及调整模型中最后一层的线性层，而全精细调优涉及修改模型的所有参数。然而，在迁...

使用迁移学习方法对ImageNet数据集中的狼和狗图像进行分类的案例。首先介绍了数据集的下载和预处理操作,然后使用ResNet50模型进行训练和验证,最后保存了...

跨领域迁移学习和多任务学习是迁移学习的两个重要方向。研究如何在多个任务和领域间共享知识，提升模型的泛化能力和适应性，是迁移学习的一个重要研究方向。

流行学习自从2000年在Science上被提出来以后，就成为了机器学习和数据挖掘领域的热门问题。它的基本假设是，现有的数据是从一个高维空间中采样出来的，所以，它...

数据分布自适应（Distribution Adaption）是一类最常用的迁移学习方法。这种方法的基本思想是，由于源域和目标域的数据概率分布不同，那么最直接的方...

负迁移给迁移学习的研究和应用带来了负面影响。在实际应用中，找到合理的相似性，并且选择或开发合理的迁移学习方法，能够避免负迁移现象。

迁移学习的基本方法可以分为四种。这四种基本方法分别是：基于样本的迁移，基于模型的迁移，基于特征的迁移，及基于关系的迁移。

迁移学习是一种将已经在一个任务上训练好的模型应用到另一个相关任务上的方法。通过使用预训练模型，迁移学习可以显著减少训练时间并提高模型性能。在本文中，我们将详细介...

基于深度迁移学习中使用的技术，可以将深度迁移学习分为：基于实例的深度迁移学习、基于映射的深度迁移学习、基于网络的深度迁移学习、基于对抗的深度迁移学习，如表 1 ...

2024年2月26日，英国剑桥大学Pietro Lio教授团队，联合瑞典阿斯利康，在Nature Communications上发表文章Transfer lea...

深度集成与迁移学习是提高模型性能的重要技术之一，可以利用不同模型之间的互补性来提高整体性能。在CatBoost中，我们可以通过深度集成和迁移学习来进一步提升模型...

一个LLM的生命周期包含多个步骤，下面将讨论这个周期中最活跃、最密集的部分之一 -- fine-tuning(微调)过程。

2023年11月24日，英国剑桥大学Emma King-Smith在Chemical Science上发表文章Transfer learning for a f...

深度集成和迁移学习是提高模型性能和泛化能力的重要技术。在Python中，LightGBM作为一种高效的梯度提升决策树算法，可以与其他模型进行深度集成，同时也支持...

数据增强是指在原始数据集的基础上生成新的、具有多样性的数据集，以扩充数据集的规模并增加数据集的多样性。这可以帮助模型更好地学习不同场景下的特征，并提高其泛化能力...

可视化结果：经过深度迁移学习后 FN（假负例，即错误预测为负类的正类）显著减少，模型有效地识别并映射出大型滑坡，减少了漏检的情况。同时模型 LM 结果包含了大多...