知识卡片
迁移学习借特征
迁移学习利用源任务中学到的表示或参数,为新任务提供起点。自然图像中的边缘、轮廓等低层特征可能帮助医学图像训练,减少目标数据需求。但共享特征是否有用取决于任务差异,目标领域仍需调整和验证;源模型表现好不自动保证目标效果,也不能省去独立测试。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 生物学和医学中基于人工智能的算法 分子分类与图像预测的桥梁 · 查看原书依据
潜在的基本前提是统计强度是跨任务共享的。不管图像来自哪个领域,这些网络的低层将捕捉不特定的相似特征(边缘、斑点、轮廓),这些特征不是特定用于训练数据和应用,而是在一般的感知任务中反复出现。迁移学习的一个重要的实际结果是,训练需求减少,需要更
参考来源
- 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》生物学和医学中基于人工智能的算法,分子分类与图像预测的桥梁(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section07.xhtml)
- 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;历史案例不等于当前临床有效性或监管认可。已经核验的边界与书中陈述分开。
- 原始内容:潜在的基本前提是统计强度是跨任务共享的。不管图像来自哪个领域,这些网络的低层将捕捉不特定的相似特征(边缘、斑点、轮廓),这些特征不是特定用于训练数据和应用,而是在一般的感知任务中反复出现。迁移学习的一个重要的实际结果是,训练需求减少,需要更