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...

中国科学院深圳高新技术研究院开发 SBeA，能够全面量化自由群居动物的行为，使用较少的标记帧数进行多动物三维姿态估计，通过双向迁移学习策略，在多动物身份识别方面...

深度集成与迁移学习是机器学习领域中的两个重要概念，它们可以帮助提高模型的性能和泛化能力。本教程将详细介绍如何在Python中使用XGBoost进行深度集成与迁移...

随着人工智能和机器学习的快速发展，迁移学习（Transfer Learning）逐渐成为研究和应用的热点之一。迁移学习是一种利用已经学习到的知识来提高新任务学习...

根据分布移位发生的具体部分，域移位可分为三种类型，包括协变量移位、先验移位和概念移位

迁移学习按学习方法分类，可以分为四个大类：基于样本的迁移学习方法、基于特征的迁移学习方法、基于模型的迁移学习方法、基于关系的迁移学习方法。