Yazar
Savaşlı, Ahmet Çağatay, Tütüncü, Damla, Ndigande, Alain Patrick, Özer, Sedat
Basım Tarihi
2023
Basım Yeri
-
IEEE
Konu
Derin çekirdek aktarımı, Az sayıda öğrenme, Çekirdek öğrenme, Meta öğrenme, Regresyon
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
2-s2.0-85173554810
Kayıt Numarası
2566dcf4-ecca-490e-ab6d-ba9fa28c9fa9
Lokasyon
Bilgisayar Bilimi
Tarih
2023
Örnek Metin
Meta-öğrenme, sınırlı miktarda etiketli veriden öğrenmenin veya kısa sürede öğrenmenin mümkün olması için hedefin 'öğrenmeyi öğrenme' olduğu yeni görevlere mevcut modelleri uygulamayı amaçlamaktadır. Derin Çekirdek Transferi (DKT), Bayesian çerçevesine dayalı olarak yakın zamanda önerilen bir meta-öğrenme yaklaşımıdır. DKT'nin performansı kullanılan çekirdek fonksiyonlarına bağlıdır ve DKT ve GPNet olmak üzere iki uygulaması vardır. Bu yazıda, performanslarını incelemek ve bunları farklı optimize ediciler altında eğitmek için iki regresyon görevi için hem DKT hem de GPNet uygulamalarında geniş bir çekirdek işlevleri kümesi kullanıyoruz. Ayrıca, regresyona dayalı görevlerde hangi algoritmanın daha hızlı çalıştığı konusundaki belirsizliği açıklığa kavuşturmak için her iki uygulamanın eğitim süresini karşılaştırıyoruz.
DOI
10.1109/SIU59756.2023.10224015
