Gaussian-Wasserstein

新的机器学习迁移学习方法优先考虑遥远的数据源

研究人员开发了一种新的机器学习模型预训练源选择方法，超越了简单的数据相似性。该方法受领域自适应理论的启发，表明即使增加了Wasserstein距离，更广泛的源变化也能改善估计。使用加密货币波动性数据的实验表明，与最近的源相比，选择最远的Gaussian-Wasserstein源可以将MLP的技能提高12%以上，将Transformer的技能提高20%以上。进一步的分析表明，前向先导选择和回顾性筛选也带来了收益，但运行时节省尚未测量。