使用多任务学习曲线表征迁移学习

Research Paper#Transfer Learning, Multi-task Learning, Machine Learning🔬 Research|分析: 2026年1月3日 08:37•
发布: 2025年12月31日 13:55
•
1分で読める
•ArXiv

分析

本文提出了一种通过分析多任务学习曲线来表征迁移学习效应的新方法。作者没有侧重于模型更新，而是扰动数据集大小以了解性能如何变化。这种方法可能对迁移学习提供更基本的理解，特别是在基础模型的背景下。学习曲线的使用允许对迁移效应进行定量评估，包括成对和上下文迁移。
引用 / 来源
查看原文
"Learning curves can better capture the effects of multi-task learning and their multi-task extensions can delineate pairwise and contextual transfer effects in foundation models."
A
ArXiv2025年12月31日 13:55
* 根据版权法第32条进行合法引用。
较旧

Yann LeCun: AI one-percenters seizing power forever is real doomsday scenario

较新

Fast.ai releases new deep learning course, libraries, and book

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv