کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4968860 | 1449746 | 2017 | 12 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Scalable greedy algorithms for transfer learning
ترجمه فارسی عنوان
الگوریتم های حریصانه مقیاس پذیر برای انتقال یادگیری
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
انتقال یادگیری، انطباق دامنه، تشخیص شیء بصری، الگوریتم های حریص، انتخاب ویژگی،
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
In this paper we consider the binary transfer learning problem, focusing on how to select and combine sources from a large pool to yield a good performance on a target task. Constraining our scenario to real world, we do not assume the direct access to the source data, but rather we employ the source hypotheses trained from them. We propose an efficient algorithm that selects relevant source hypotheses and feature dimensions simultaneously, building on the literature on the best subset selection problem. Our algorithm achieves state-of-the-art results on three computer vision datasets, substantially outperforming both transfer learning and popular feature selection baselines in a small-sample setting. We also present a randomized variant that achieves the same results with the computational cost independent from the number of source hypotheses and feature dimensions. Also, we theoretically prove that, under reasonable assumptions on the source hypotheses, our algorithm can learn effectively from few examples.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Vision and Image Understanding - Volume 156, March 2017, Pages 174-185
Journal: Computer Vision and Image Understanding - Volume 156, March 2017, Pages 174-185
نویسندگان
Ilja Kuzborskij, Francesco Orabona, Barbara Caputo,