深度学习(四十一)——迁移学习
source link: http://antkillerfarm.github.io/dl/2018/06/09/Deep_Learning_41.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
Rethinking ImageNet Pre-training
何恺明,RBG,Piotr Dollár的新作表明:ImageNet Pre-training不能提升最终精度,但可以加快收敛速度。
https://mp.weixin.qq.com/s/Ut_of4Xb8c0beACShKOWlQ
何恺明“终结”ImageNet预训练时代:从0开始训练神经网络,效果比肩COCO冠军
Unsupervised Domain Adaptation by Backpropagation
Federated Transfer Learning
https://mp.weixin.qq.com/s/Lzs5qaZpgcnQP_9MwgWuKA
联邦学习FL进展与开放问题万字综述论文,58位学者25家机构联合出品,105页pdf438篇文献
https://mp.weixin.qq.com/s/l-Ae8-K78AYITSn8_0LIfg
破解数据孤岛壁垒,三篇论文详细解读联邦学习
https://mp.weixin.qq.com/s/8f8-YdQ5-wCNDV6tKjzVNQ
玩转联邦学习,摆脱数据枷锁
https://mp.weixin.qq.com/s/gGqpmzJKvgrfqsqsSeJ2xg
第四范式等机构提出隐私保护新算法,医疗敏感数据也能合理学
https://mp.weixin.qq.com/s/tv6-oTuPX2mCBwo5IgOwNg
如何通过开源平台解决人工智能的最大“痛点”
https://mp.weixin.qq.com/s/sZOlUiqOjNjt7q17B_5QnQ
新一代联邦学习技术及应用实战
https://mp.weixin.qq.com/s/f9Wskw0DFwYXD8TEMvL9Tw
人工智能新技术:联邦学习的前世今生
https://mp.weixin.qq.com/s/bwguSX8rfGCHti0qOlyz4g
Federated Learning: 架构
龙明盛,清华本科(2008)+博士(2014),迁移学习的最早提出者之一。清华大学副教授,博导。
个人主页:
http://ise.thss.tsinghua.edu.cn/~mlong/
https://mp.weixin.qq.com/s/HmkTkv7QT08lGtJsHD7EvQ
迁移学习(Transfer Learning)技术概述
https://zhuanlan.zhihu.com/wjdml
《小王爱迁移》系列blog
https://mp.weixin.qq.com/s/HkuIJUw99DhJkUSuCYdfjg
《迁移学习简明手册》pdf分享
https://www.zhihu.com/question/41979241
什么是迁移学习(Transfer Learning)?这个领域历史发展前景如何?
https://mp.weixin.qq.com/s/ThwsfHME_2csqTlKuG5heg
综述论文:四大类深度迁移学习
https://mp.weixin.qq.com/s/l-a8W9CW9aUtYegJRxOVbA
龙明盛:迁移学习理论与算法,59页ppt
https://mp.weixin.qq.com/s/01WLhFsni1WRTYPgqoV0Ww
深度学习之迁移学习介绍与使用
https://mp.weixin.qq.com/s/ywwlpTNOjXgUOglnn56NIw
深度迁移学习方法的基本思路
https://mp.weixin.qq.com/s/yuuvX85M5HfWDbYZwycL4A
迁移学习全面指南:概念、应用、优势、挑战
https://mp.weixin.qq.com/s/XPAVUD33Z1do2hz2rGrIIQ
各细分学习领域调研(A Survey for Learning Fields)
https://mp.weixin.qq.com/s/7cvErbQRnTAKjTz67dNRDw
Python迁移学习实战书籍和代码《Hands-On Transfer Learning with Python》
https://github.com/chichilicious/awesome-zero-shot-learning
Zero-Shot Learning相关资源大列表
https://mp.weixin.qq.com/s/ebY7mq8PceHJy2t-wQBuGg
中科院发布最新迁移学习综述论文,带你全面了解40种迁移学习方法
https://www.zhihu.com/question/50996014
什么是One/zero-shot learning?
https://mp.weixin.qq.com/s/SZlFgnUBL0T6yNa-i_WLvg
领域适应性Domain Adaptation、One-shot/zero-shot Learning概述
https://zhuanlan.zhihu.com/p/34656727
零次学习(Zero-Shot Learning)入门
https://mp.weixin.qq.com/s/epsXg46st-37FjwIjPUOqg
124页ppt,Learning with Small Data,宾夕法尼亚州立大学
https://mp.weixin.qq.com/s/FqS6RsL8Ewp2m_qr1hpQ1w
AAAI2020最新“迁移表示学习最新进展”247页PPT,宾夕法尼亚大学
https://mp.weixin.qq.com/s/sAf2fLLnKHOs433pV_6bSQ
One-shot Learning:孪生网络少样本精准分类
https://mp.weixin.qq.com/s/J8ZmIVKd-4X3hMGGIJWoDQ
一文看懂迁移学习:从基础概念到技术研究!
https://mp.weixin.qq.com/s/Kb1KggOE3gxy7Edn48dlMg
自然语言处理的迁移学习–来自DeepMind、AllenNLP等,附238页Slides&代码
https://mp.weixin.qq.com/s/uVby0GpWlmAlqRlbvysSyQ
计算机视觉中深度迁移学习,165页PPT
https://zhuanlan.zhihu.com/p/30242073
人脸识别中的迁移学习简介(Transfer Learning)
https://mp.weixin.qq.com/s/rVYWV-LsbmA4QhC6207SWA
14篇论文为你呈现“迁移学习”研究全貌
https://mp.weixin.qq.com/s/06FWeGysBjU9wTMUx_eY0Q
一文看懂自然语言处理中迁移学习的现状
https://zhuanlan.zhihu.com/p/258562899
小样本学习——概念、原理与方法简介(Few-shot learning)
https://mp.weixin.qq.com/s/3AhiaNilRyTX_f7F306yng
主动学习(Active Learning)-少标签数据学习
https://mp.weixin.qq.com/s/Rj55EoopzlR71DZ5XrvH_w
八千字长文深度解读,迁移学习在强化学习中的应用及最新进展
https://mp.weixin.qq.com/s/G-Z6zyYSV95–x0PjQVMiw
自然语言处理中的迁移学习(上)
https://mp.weixin.qq.com/s/WlpmZmmqsepwbZJqxXrUhw
自然语言处理中的迁移学习(下)
https://mp.weixin.qq.com/s/NQED6DdCJNpNyzURUOZPnA
迁移学习:机器学习的下一个前沿阵地!
http://chenrudan.github.io/blog/2017/12/15/domainadaptation1.html
迁移学习之Domain Adaptation
https://mp.weixin.qq.com/s/3H1u2JJ0JwfjwDKs5imcxQ
零资源机器翻译的最新进展
https://mp.weixin.qq.com/s/2NLPma-wITAUKVnSRrHX9w
小样本学习年度进展
https://mp.weixin.qq.com/s/pDK4qBWArtETARE1fjbbmA
迁移学习在深度学习中的应用
https://mp.weixin.qq.com/s/mB1AEFVdM_s1rk0irST4Ww
迁移学习在图像分类中的简单应用策略
https://mp.weixin.qq.com/s/PDyp_GO0ovWV0KoGTwp_gQ
简述迁移学习在深度学习中的应用
https://zhuanlan.zhihu.com/p/43681859
迁移学习在自然语言处理中的应用之通用语言建模
https://mp.weixin.qq.com/s/Z6RyhsZfn3Fs-gfpS0_7HQ
预训练模型迁移学习
https://mp.weixin.qq.com/s/sVukyFF18IEjUOnoj09eUQ
39页《迁移学习自然语言生成》
https://mp.weixin.qq.com/s/0Zcrwi3WROzm19ApDZINMQ
Ruder博士答辩41页PPT,面向自然语言处理的神经网络迁移学习
https://mp.weixin.qq.com/s/_t9pV93uaY8gpzHZ6XgiAw
面向自然语言处理的神经网络迁移学习,NLP网红Ruder博士329页论文
https://mp.weixin.qq.com/s/nIV7n8o7t2F3j0XFr9v-vg
迁移自适应学习最新综述
https://mp.weixin.qq.com/s/b6rH-eepKDSHLnixDVvKUQ
新加坡南洋理工最新37页《零样本学习综述》论文
https://mp.weixin.qq.com/s/mQU8GX4Yhkbs_bCuBJRllQ
大数据时代小样本如何学习?看这篇最新《小样本学习方法综述》论文
https://mp.weixin.qq.com/s/-73CC3JqnM7wxEqIWCejWQ
小样本学习(Few-shot Learning)综述
https://mp.weixin.qq.com/s/Kw5v9nKP0FbVDH8aO7LtcA
里昂大学Ying LU博士学位论文:图像分类中的迁移学习
https://mp.weixin.qq.com/s/TUwhd7ruF-156GDmInpA7w
《小样本学习(Few-shot learning)
https://zhuanlan.zhihu.com/p/146777068
标注样本少怎么办?“文本增强+半监督”方法总结
https://mp.weixin.qq.com/s/H0CAeFR7VymwxWbE330kDg
浅谈文本增强技术
https://mp.weixin.qq.com/s/FHmijTVqQ26osp6PzZsbvQ
付彦伟:零样本、小样本以及开集条件下的社交媒体分析
https://mp.weixin.qq.com/s/109hJaWsL4mcr9dc9vdDMg
结合主动学习与迁移学习:让医学图像标注工作量减少一半
https://mp.weixin.qq.com/s/A7PAu6-B1JRUfGmb2Fm_vA
中国科学院大学Oral论文:使用鉴别性特征实现零样本识别
https://mp.weixin.qq.com/s/P4kGtXZRW_fMbKbkGIJEfA
迁移学习比赛:OpenAI喊你重温“音速小子索尼克”
https://mp.weixin.qq.com/s/ovSltv5Ct8AsPcxCFsYwYw
用于部分迁移学习的加权对抗网络
https://mp.weixin.qq.com/s/5DkqsOkTo9l9QtNp16MGOg
北京大学计算机研究所提出深度跨媒体知识迁移方法
https://mp.weixin.qq.com/s/ZvBzU_PSTCTS4hWrkJ2ZFg
zero-shot视觉模仿系统GSP,仅观察演示就学会执行任务
https://mp.weixin.qq.com/s/kTiQdoCI-mk8c-m0uL5BkQ
如何实现少样本学习?先让神经网络get视觉比较能力
https://mp.weixin.qq.com/s/i_znaQX0IFJD1ttmVbtcZQ
阿里提出新零样本学习方法,有效解决偏置问题
https://github.com/vipstone/faceai
FaceAI
https://mp.weixin.qq.com/s/v6denCbxx6q530yAg_bq2A
使用Transformer与无监督学习,OpenAI提出可迁移至多种NLP任务的通用模型
https://mp.weixin.qq.com/s/tfScYQYeCz0gEkHTnOEkIg
鸡尾酒网络DCTN:源分布结合律引导的迁移学习框架
https://mp.weixin.qq.com/s/Fodqc5cw1TISFJwtrstg9Q
CMU、NYU与FAIR共同提出GLoMo:迁移学习新范式
https://mp.weixin.qq.com/s/HAc1R74Yj2nwiohuRy5emA
任务分类法:解构任务迁移学习
https://mp.weixin.qq.com/s/N1ciRHJAPMzgjpZhPVoHXw
现实版柯南“蝴蝶结变声器”:谷歌发布从声纹识别到多重声线语音合成的迁移学习
https://mp.weixin.qq.com/s/jhWt7ZlBVvmyGpKPeoHZug
更优的ImageNet模型可迁移性更强?谷歌大脑论文给出验证
https://mp.weixin.qq.com/s/irR_LjSpUN41Vpo7God_ig
深度网络自我学习,最终实现更少样本的学习
https://mp.weixin.qq.com/s/bh1E8lOs0k4AecrPwEicxg
如何高效提炼有效信息?阿里武大创造了一种零样本文档过滤模型
https://mp.weixin.qq.com/s/gWxe90P9OdT-5pySYJfs0Q
Adaptation for Neural Machine Translation
场景:假设储备了大量新闻领域双语语料,少量科技领域双语语料(或者没有),科技领域单语语料(大量、少量或者没有)的大菜鸟翻译公司,接到一个科技领域的翻译项目。如何使用现有资源去尽可能的把科技领域的翻译做好。
问题:这里的科技领域就是in-domain,新闻领域是out-domain。如何使用数量有限的in-domain parallel corpus和相对丰富的out-domain parallel corpus来更好地提升in-domain translation performance。
https://mp.weixin.qq.com/s/xAWW8aqrj5Qf1KaGGZLqfQ
只有100个标记数据,如何精确分类400万用户评论?
https://mp.weixin.qq.com/s/EWMXDH7Bx0aQaFsGkZaIbA
OpenAI概念学习新模型:学会概念仅需5次示范,实现跨领域概念迁移
https://mp.weixin.qq.com/s/83oOI0oJ_QN-o1LZ439UVQ
自然语言处理中的深度迁移学习——文本预训练
https://mp.weixin.qq.com/s/MAlH3EYAg88IROsV1klKlA
结构化数据的迁移学习:嫁接学习
https://mp.weixin.qq.com/s/C1qTuJ-kJxI5o_yEMpiUAA
ICLR2019少样本学习新思路:利用转导(Transductive)和标签传播
https://zhuanlan.zhihu.com/p/53359505
Deep Domain Adaptation论文集(一):基于label迁移知识
https://zhuanlan.zhihu.com/p/55758680
Deep Domain Adaptation论文集(二):基于统计差异
https://zhuanlan.zhihu.com/p/56076381
Deep Domain Adaptation论文集(三):基于深度网络结构差异&几何差异
https://zhuanlan.zhihu.com/p/57083034
Deep Domain Adaptation论文集(四):基于生成对抗网络GAN
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK