transfer learning
PulseAugur coverage of transfer learning — every cluster mentioning transfer learning across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新的arXiv论文探讨贝叶斯和概率方法用于持续学习 · 跟踪2个来源
两篇新的arXiv论文探讨了持续学习的进展，这是一种允许AI模型顺序学习而不会忘记过去知识的方法。第一篇论文概述了持续学习的贝叶斯方法，讨论了它们与迁移学习和发展心理学等领域的联系。第二篇论文介绍了一个新颖的基于提示的框架，该框架将提示建模为概率分布，以捕获多样化的图像模式并防止提示崩溃，在ImageNet-R和CIFAR-100等基准测试中证明了其有效性。
-
深度学习模型在自动化脑肿瘤检测中达到97%的准确率
研究人员开发了一种使用卷积神经网络（CNN）和残差网络（ResNet）的深度学习方法，用于自动化MRI图像中的脑肿瘤检测。该研究应用了预训练的ResNet18和ResNet50模型的迁移学习来进行扫描分类，达到了高准确率。对近4000张图像数据集的实验表明，ResNet18表现略好，准确率达到97%，这表明其对于样本量有限的医学数据非常有效。该方法旨在为早期脑肿瘤诊断提供一种更快、更准确、更具成本效益的工具。
-
新的迁移学习方法增强了锂离子电池状态估算的AI能力
研究人员开发了一个用于物理信息神经网络（PINNs）的迁移学习框架，以改进锂离子电池的状态估算。该方法通过预训练一个通用模型，然后针对特定电池进行微调，解决了为不同电池化学成分从头开始训练PINNs的挑战。使用PyBaMM进行的验证表明，该方法可以准确预测电压，保持电化学一致性，并显著缩短训练时间。
-
新框架利用AI对结构损伤进行诊断，数据有限 · 跟踪3个来源
研究人员开发了一种新颖的多保真迁移学习框架，用于使用导波进行结构健康监测。该方法结合了轻量级的基于物理的模拟与卷积自编码器（CAE）以及少量实验数据，以准确诊断板状结构的损伤。该框架在大型合成数据集上进行有效预训练，然后利用有限的真实世界测量数据进行微调，在损伤定位方面显著优于传统的CNN模型。
-
新的自适应机器学习框架优化6G网络中的无人机轨迹
研究人员开发了一种新的自适应机器学习框架，用于优化无人机（UAV）在6G蜂窝系统中作为开放无线单元（O-RU）时的轨迹。该框架利用增强的持续迁移学习和模型选择机制，能够有效地适应新环境，减少了广泛重新训练的需求。通过利用预训练模型和真实世界数据，该系统与传统方法相比显著缩短了收敛时间，提高了整体网络效率和可靠性。
-
元学习框架实现选择性时间序列预测
研究人员开发了一种新颖的选择性时间序列预测框架，该框架利用元学习来提高准确性。这种方法允许模型在特别具有挑战性的数据点上弃权预测，这是一种以前在预测中未充分探索的策略。与依赖领域特定代理的现有方法不同，所提出的框架使用从近期数据特征派生的尺度不变统计量，从而能够有效地跨不同时间序列转移弃权能力。
-
计算高效的迁移学习卷积神经网络在多癌种检测中实现高精度
研究人员开发了一种计算高效的卷积神经网络（CNN），该网络利用迁移学习从生物医学图像中进行多癌种检测。这种轻量级模型旨在降低计算需求，同时保持高精度，使其适用于资源有限的环境。在脑部MRI、肺部CT和肾脏CT扫描上进行测试，该模型分别达到了90.85%、98.64%和99.92%的惊人准确率。迁移学习方法，即在一个癌种上预训练，然后在其他癌种上进行微调，只需要最少的额外训练时间，并且优于几种已建立的CNN架构。
-
新理论使用范畴框架量化迁移学习不变性
研究人员引入了一个用于理解迁移学习的范畴框架，定义了一种称为 Kan 扩展的通用迁移不变性。该方法量化了源任务的结构如何在目标任务中得以保留，超越了简单的准确性指标。该框架允许精确评估迁移差异，即使在表示崩溃但保持分类性能但扭曲拓扑信息的情况下也是如此。
-
机器人研究人员通过迁移学习增强运动规划
研究人员开发了一个新框架 iCEM+TL，以提高机器人操作任务的低级运动规划效率。该方法结合了样本高效交叉熵方法 (iCEM) 和迁移学习 (TL)，将参数从简单任务转移到更复杂的任务。该框架还通过任务分解来整合奖励重塑 (RR)，以实现堆叠和货架放置等特定动作。模拟显示成功率提高了 23%，并且该方法已在真实的 Franka Emika 机器人上成功演示。
-
新论文显示迁移学习可提高样本效率
研究人员使用最优传输框架对迁移学习的好处进行了理论分析。他们的发现表明，对于大于三维的数据，与直接学习相比，迁移学习提供了更高的样本效率，特别是对于具有非光滑激活函数的复杂模型。这种理论优势在图像分类任务中得到了数值证明，在数据稀缺的情况下显示出显著的性能提升。
-
迁移学习详解：无需海量数据集的AI模型
本文解释了人工智能中迁移学习的概念，强调了即使没有海量数据集，它也很有用。文章详细介绍了如何将预训练模型改编用于新任务，从而以更少的数据和计算资源实现高级AI。作者强调，迁移学习通过减少大量数据收集和训练时间的需求，使AI开发民主化。
-
迁移学习提升高能物理领域AI模型效率
研究人员探索了迁移学习技术以提高高能物理领域机器学习模型的性能。通过在计算成本较低的快速模拟数据上预训练模型，然后将其适配到更真实、完全模拟的数据集上，他们发现了显著的改进。这种方法通常能将分类和喷注识别等各种任务所需的靶域训练数据量减半，证明了可重用科学资产的价值。
-
新框架“机械良知”为人工智能提供轨迹级调控
一篇新论文介绍了一种名为“机械良知”（MC）的数学框架，旨在调控智能系统的行为，特别是在分布式协作智能（DCI）环境中。该框架旨在确保即使在不确定的情况下，个体代理的累积行为也不会导致全局上不可接受的结果。MC充当一个监管过滤器，通过最小程度地调整行为，使系统行为保持在定义的规范区域内，同时考虑认知不确定性并提供可计算的治理信号。
-
新框架采用物理信息迁移学习进行多站点排放控制
研究人员开发了一种新的物理信息迁移学习框架，旨在改善城市固体废物焚烧中的排放控制。该框架利用专家混合模型来管理不同设施的碳排放和空气污染物，解决了模型在工厂之间迁移的挑战。该系统在捕获特定污染物排放和整合跨13个工厂的风险方面表现出强大的性能，并在迁移到新设施后保持了有效性。