تحليل أداء طرق نقل النواة العميقة القائمة على التعلم التلوي لمهام الانحدار
| العنوان | تحليل أداء طرق نقل النواة العميقة القائمة على التعلم التلوي لمهام الانحدار |
|---|---|
| المؤلف | سافاشلي، أحمد جاتاي، توتونكو، داملا، نديجاندي، آلان باتريك، أوزر، سيدات |
| تاريخ النشر: | 2023 |
| مكان النشر | - IEEE |
| الموضوع | النقل العميق للنواة، التعلم القليل، تعلم النواة، التعلم التلوي، الانحدار |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 2-s2.0-85173554810 |
| رقم السجل | 2566dcf4-ecca-490e-ab6d-ba9fa28c9fa9 |
| موقع المكتبة | علوم الكمبيوتر |
| التاريخ | 2023 |
| نص عينة | يهدف التعلم التلوي إلى تطبيق النماذج الموجودة على مهام جديدة حيث يكون الهدف هو "تعلم التعلم" بحيث يكون التعلم من كمية محدودة من البيانات المصنفة أو التعلم في فترة زمنية قصيرة أمرًا ممكنًا. يعد النقل العميق للنواة (DKT) أسلوبًا للتعلم التلوي تم اقتراحه مؤخرًا يعتمد على إطار عمل بايزي. يعتمد أداء DKT على وظائف kernel المستخدمة وله تطبيقان، وهما DKT وGPNet. في هذا البحث، نستخدم مجموعة كبيرة من وظائف kernel في كل من تطبيقات DKT وGPNet لمهمتي انحدار لدراسة أدائهما وتدريبهما تحت محسنات مختلفة. علاوة على ذلك، قمنا بمقارنة وقت التدريب لكلا التطبيقين لتوضيح الغموض من حيث الخوارزمية التي تعمل بشكل أسرع للمهام القائمة على الانحدار. |
| DOI | 10.1109/SIU59756.2023.10224015 |
