- Not All Models Are Equal: Predicting Model Transferability in a Self-challenging Fisher Space [51.6]
本稿では、トレーニング済みのディープニューラルネットワークのランク付けと、下流タスクにおける最も転送可能なニューラルネットワークのスクリーニングの問題に対処する。 Self-challenging Fisher Discriminant Analysis (SFDA)と呼ばれる新しい転送可能性指標を提案する。
論文 参考訳(メタデータ) (Thu, 7 Jul 2022 01:33:25 GMT)- 事前学習モデルがどの程度下流タスクにフィットしているかを確かめる方法の提案
- リポジトリはTencentARC/SFDA · GitHub (今はempty)
Transferability
1 / 1 ページ
転送可能性に関するサーベイ
- Transferability in Deep Learning: A Survey [80.7]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。 本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。 我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文 参考訳(メタデータ) (Sat, 15 Jan 2022 15:03:17 GMT)- Pre-Training → Adaptation → Evaluationの流れを軸にTransferに焦点を当てたサーベイ。広範な内容が扱われており、非常に良い内容。てコード等がまとまっているのも素晴らしい。
- リポジトリはGitHub - thuml/Transfer-Learning-Library: Transfer Learning Library for Domain Adaptation, Task Adaptation, and Domain Generalization