테셀레이션 기반 지역 전이 학습을 이용한 비모수 회귀
본 논문은 소스와 타깃 회귀 과제 사이의 이질적인 관계를 셀 단위로 모델링하는 새로운 전이 학습 프레임워크를 제안한다. 입력 공간을 유한 개의 셀로 분할하고, 각 셀에서 타깃 함수가 소스 함수의 저차원 변환으로 표현된다고 가정함으로써, 유사성이 존재하는 영역에서는 효과적인 전이를, 그렇지 않은 영역에서는 부정적 전이를 방지한다. 데이터 기반의 셀 선택 및 전이 함수 추정 절차를 제시하고, 최소 위험에 대한 오라클 부등식과 차원 저주를 완화하는 …
저자: Hélène Halconruy, Benjamin Bobbia, Paul Lejamtel
본 논문은 소스와 타깃 회귀 과제 사이에 존재할 수 있는 이질적인 유사성을 정량화하고, 이를 활용하여 전이 학습의 효율성을 높이는 새로운 비모수 회귀 프레임워크를 제시한다. 전통적인 전이 학습은 전체 입력 공간에서 소스와 타깃 사이에 전역적인 유사성을 가정하는 경우가 많아, 실제 데이터에서는 부정적 전이가 발생하기 쉽다. 이를 해결하고자 저자들은 입력 공간 \(
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기