Expectation maximization transfer learning and its application for bionic hand prostheses

مدل های یادگیری ماشین در تنظیمات عملی معمولا با تغییرات در توزیع داده های ورودی مواجه می شوند. چنین تغییراتی می تواند به شدت بر عملکرد مدل اثر گذارد، به عنوان مثال به اشتباه طبقه بندی داده ها منجر می شود. این امر به ویژه در زمینه پروتزهای بیانیک دست نشان داده می شود، در حالی که مدل های یادگیری ماشین وعده رابط کاربری سریع تر و بصری تر را می دهد، اما مانع از عدم استحکام آنها برای اختلالات روزمره، مانند حرکت الکترودها. یک راه برای تغییر تغییرات در توزیع داده ها، یادگیری انتقال است، یعنی انتقال اطلاعات مختلط به یک فضای که در آن مدل اصلی دوباره قابل اجرا است. در این سهم، ما الگوریتم به حداکثر رساندن انتظارات جدید را پیشنهاد می دهیم تا تغییرات خطی را بیاموزیم که احتمال داده های مختلط را با توجه به مدل دست نخورده به حداکثر برسانیم. ما همچنین نشان می دهیم که این رویکرد به مدل های تبعیض آمیز، به ویژه مدل های کوانتومی برداری بردار تعمیم می دهد. در ارزیابی ما بر روی داده های پروتز بیونیک پروتز، ما نشان می دهیم که رویکرد ما می تواند یک تغییر را یاد بگیرد که دقت طبقه بندی را به طور قابل توجهی بهبود می بخشد و همه پایه های آزمایش شده را بهتر می کند، در صورتی که داده های چندگانه یا کلاس های چند در دامنه مورد نظر در دسترس باشد.