PulseAugur
中
实时 06:02:56
English(EN) Transfer Learning in Nonparametric Regression with Deep ReLU Networks

用于深度ReLU网络非参数回归的新迁移学习框架

作者 PulseAugur 编辑部 · [1 个来源] ·

本文介绍了一种新颖的迁移学习框架，该框架专为涉及多个数据组的非参数回归任务而设计。该方法通过汇集所有组的数据来估计一个共同的均值函数，然后学习特定于组的偏差以创建加性估计器。该框架建立了L2误差的理论界限，并且在应用于深度ReLU网络时，通过在分层组合模型下推导出明确的收敛速率，证明了其克服维度灾难的能力。研究还确定了促进正向迁移的条件，从而提高学习速率，并通过模拟和现实世界实验验证了该方法。 AI

影响 为改进深度学习回归任务引入了理论框架和实践验证，有可能在多组数据场景中提高模型性能。

排序理由 该集群包含一篇详细介绍机器学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

用于深度ReLU网络非参数回归的新迁移学习框架

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Junpeng Ren, Carlos Misael Madrid Padilla, Yanzhen Chen, Oscar Hernan Madrid Padilla ·

    深度ReLU网络在非参数回归中的迁移学习

    arXiv:2608.20255v1 Announce Type: cross Abstract: This paper develops a general transfer learning framework for nonparametric regression with data consisting of multiple groups. Under the assumption that groups share a common structure along with group-specific deviations in addi…

相关实体

相关话题