研究人员开发了一种新颖的方法，可将预训练的黑盒预测函数中的知识迁移到新的、异构的输入空间。该方法将目标回归函数分解为一个可迁移的组件（受黑盒模型启发）和一个特定于新空间的不可迁移组件。该方法采用两步神经网络程序，利用大量的无标签数据来估计可迁移组件，并利用有限的有标签数据来估计不可迁移部分。与非迁移方法相比，该技术提供了更优的预测风险界限，尤其是在不可迁移组件较小或平滑的情况下，并且可以扩展到聚合来自多个黑盒的知识。 AI
影响 能够更灵活地将预训练模型应用于多样化的数据集和任务。
排序理由 该条目是发表在arXiv上的学术论文，详细介绍了一种新的机器学习知识迁移方法。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- Bibliographic Explorer
- Black-Box Knowledge Transfer across Distinct Feature Sets
- CatalyzeX Code Finder for Papers
- Connected Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- Litmaps
- ScienceCast
- scite Smart Citations
- stat.ML
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
