Scalable greedy algorithms for transfer learning

در این مقاله، مسئله یادگیری انتقال باینری را بررسی می کنیم، تمرکز بر نحوه انتخاب و ترکیب منابع از یک استخر بزرگ برای عملکرد خوب در یک کار هدف. محدودیت سناریو ما را به دنیای واقعی، ما دسترسی مستقیم به داده های منبع را نمی پذیریم، بلکه ما فرضیه های منبع آموزش دیده از آنها را استخدام می کنیم. ما یک الگوریتم کارآمد را پیشنهاد می کنیم که به طور همزمان فرضیه های مربوطه منبع و ابعاد ویژگی را انتخاب می کند، که براساس ادبیات بر بهترین مشکل انتخاب زیر مجموعه است. الگوریتم ما نتایج پیشرفته ای را در سه مجموعه داده های بینایی کامپیوتری به دست می آورد، که به طور قابل ملاحظه ای از یادگیری انتقال و انتخاب پایه های انتخابی محبوب در یک نمونه کوچک انتخاب می کند. ما همچنین یک نوع تصادفی ارائه می دهیم که نتایج مشابهی را با هزینه محاسباتی مستقل از تعداد فرضیه های منبع و ابعاد ویژگی ارائه می دهد. همچنین، ما به لحاظ تئوری ثابت می کنیم که در زیر فرضیه های معقول در مورد فرضیه های منبع، الگوریتم ما می تواند از چند مثال به طور موثر یاد بگیرد.