研究目的
通过纳入源域中能够对目标测试实例进行良好泛化的信息来学习预测模型,同时考虑显式的转换函数形式,尤其是将源域示例映射到目标域的线性变换。
研究成果
所提出的半监督域适应框架展现出与最先进方法相当的性能,能够适配多种损失函数和预测问题。迭代坐标下降求解器在满足流形约束的同时,有效学习变换参数与模型参数。
研究不足
该论文未明确提及局限性,但对线性变换的关注以及对数据适当预处理的需求可被视为潜在约束。
研究目的
通过纳入源域中能够对目标测试实例进行良好泛化的信息来学习预测模型,同时考虑显式的转换函数形式,尤其是将源域示例映射到目标域的线性变换。
研究成果
所提出的半监督域适应框架展现出与最先进方法相当的性能,能够适配多种损失函数和预测问题。迭代坐标下降求解器在满足流形约束的同时,有效学习变换参数与模型参数。
研究不足
该论文未明确提及局限性,但对线性变换的关注以及对数据适当预处理的需求可被视为潜在约束。
加载中....
您正在对论文“[第三届IEEE国际电子、信息与通信技术最新趋势会议(RTEICT) - 印度班加罗尔(2018年5月18-19日)] 2018年第三届IEEE国际电子、信息与通信技术最新趋势会议(RTEICT) - 基于GSM/GPS的太阳能光伏智能垃圾监测系统”进行纠错
纠错内容
联系方式(选填)
称呼
电话
单位名称
用途
期望交货周期
称呼
电话
单位名称
用途
期望交货周期