一种基于可解释特征提取和域重建的新型深度转移学习方法
Li Wang1, Lucong Zhang1, Ling Feng1
1College of Computer Science and Engineering, Northwest Normal University, Lanzhou 730070, China.
概括
本研究介绍了XDTL,一种新的多阶段深度转移学习方法. XDTL通过结合特征提取和域重建来提高模型性能和可解释性,从而实现了显著的有效性改进.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度转移学习面临的挑战是"黑子"模型和不稳定的特征适应.
- 可解释性和可靠的特征适应性对于推进转移学习至关重要.
研究的目的:
- 提出一个多阶段的深度转移学习方法 (XDTL),以提高模型性能和可解释性.
- 通过可解释的特征提取和域重建来解决当前深度转移学习技术的局限性.
主要方法:
- XDTL使用交叉验证和可解释性分析将特征划分为关键类型和常规类型.
- 它采用种子替代策略,使用关键目标样本来重建目标域.
- 这种方法促进了深度转移过程.
主要成果:
- 与现有方法相比,XDTL的平均有效性提高了27.43%.
- 拟议的方法在转移学习任务中显示出卓越的性能和增强的解释性.
结论:
- XDTL为深度转移学习中的可解释性挑战提供了一个有希望的解决方案.
- 该方法为各种机器学习任务中的多样化应用提供了新的见解和潜力.
