何世柱,博士,中科院自动化所模式识别国家重点实验室副研究员,2016年获得中国科学院大学工学博士学位。研究方向为自然语言处理、知识工程和问答系统。在ACL、EMNLP、CIKM、AAAI、IJCAI等自然语言处理、知识工程和人工智能国际重要会议发表论文20余篇。参与国家自然科学基金重点项目、973计划、863计划以及多项企业合作科研项目的研发,合作企业包括:华为、阿里巴巴、腾讯等,同时也开发了知识抽取,知识问答等多项工具和软件。目前主持国家自然科学基金青年科学基金项目“知识问答中的自然答案生成关键技术研究”,2018年获得中国中文信息学会钱伟长中文信息处理科学技术奖一等奖。

VIP内容

题目: A Comprehensive Survey on Transfer Learning

作者: Fuzhen Zhuang, Zhiyuan Qi, Keyu Duan, Dongbo Xi, Yongchun Zhu, Hengshu Zhu, Senior Member, IEEE, Hui Xiong, Senior Member, IEEE, and Qing He

摘要: 迁移学习的目的是通过迁移包含在不同但相关的源域中的知识来提高目标学习者在目标域上的学习表现。这样,可以减少对大量目标域数据的依赖,以构建目标学习者。由于其广泛的应用前景,迁移学习已经成为机器学习中一个热门和有前途的领域。虽然已经有一些关于迁移学习的有价值的和令人印象深刻的综述,但这些综述介绍的方法相对孤立,缺乏迁移学习的最新进展。随着迁移学习领域的迅速扩大,对相关研究进行全面的回顾既有必要也有挑战。本文试图将已有的迁移学习研究进行梳理使其系统化,并对迁移学习的机制和策略进行全面的归纳和解读,帮助读者更好地了解当前的研究现状和思路。与以往的文章不同,本文从数据和模型的角度对40多种具有代表性的迁移学习方法进行了综述。还简要介绍了迁移学习的应用。为了展示不同迁移学习模型的性能,我们使用了20种有代表性的迁移学习模型进行实验。这些模型是在三个不同的数据集上执行的,即Amazon Reviews,Reuters-21578和Office-31。实验结果表明,在实际应用中选择合适的迁移学习模型是非常重要的。

成为VIP会员查看完整内容
A Comprehensive Survey on Transfer Learning.pdf
23+
0+
更多VIP内容
Top