تحلیل عملکرد روشهای انتقال هسته عمیق بیزی مبتنی بر فرا یادگیری برای وظایف رگرسیونی
| عنوان | تحلیل عملکرد روشهای انتقال هسته عمیق بیزی مبتنی بر فرا یادگیری برای وظایف رگرسیونی |
|---|---|
| نویسنده | ساواشلی، احمد چاگاتای، توتونچو، داملا، ندیگانده، آلن پاتریک، اوزر، سدات |
| تاریخ انتشار: | 2023 |
| محل انتشار | - IEEE |
| موضوع | انتقال هسته عمیق، یادگیری چند شات، یادگیری هسته، فرا یادگیری، رگرسیون |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 2-s2.0-85173554810 |
| شماره ثبت | 2566dcf4-ecca-490e-ab6d-ba9fa28c9fa9 |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2023 |
| متن نمونه | فرایادگیری با هدف به کارگیری مدلهای موجود بر روی وظایف جدید که هدف آن «یادگیری برای یادگیری» است، به کار میرود تا یادگیری از مقدار محدودی از دادههای برچسبگذاری شده یا یادگیری در مدت زمان کوتاهی امکانپذیر باشد. انتقال هسته عمیق (DKT) یک رویکرد فرا یادگیری اخیراً بر اساس چارچوب بیزی است. عملکرد DKT به توابع هسته استفاده شده بستگی دارد و دارای دو پیاده سازی به نام های DKT و GPNet است. در این مقاله، ما از مجموعه بزرگی از توابع هسته در هر دو پیادهسازی DKT و GPNet برای دو کار رگرسیونی استفاده میکنیم تا عملکرد آنها را مطالعه کرده و آنها را تحت بهینهسازهای مختلف آموزش دهیم. علاوه بر این، ما زمان آموزش هر دو پیادهسازی را مقایسه میکنیم تا ابهام را از نظر اینکه کدام الگوریتم برای وظایف مبتنی بر رگرسیون سریعتر اجرا میشود، روشن کنیم. |
| DOI | 10.1109/SIU59756.2023.10224015 |
