[深度学习] 2007Boosting for Transfer Learning.pdf

说明：论文摘要：传统机器学习的基本假设是:训练数据和测试数据应该处于相同的分布下。然而，在许多情况下，这种假设并不成立。当来自一个新域的任务出现，而只有来自类似旧域的标记数据时，可能会违反这个假设。给新数据贴上标签可能代价高昂，而且扔掉所有旧数据也会是一种浪费。在本文中，我们提出了一个新的迁移学习框架TrAdaBoost，它扩展了基于增强的学习算法(Freund &Schapire, 1997)。TrAdaBoost允许用户利用少量的新标签数据来利用旧数据来为新数据构建高质量的分类模型。我们证
<liz_Lee> 上传 | 大小：464kb

[深度学习] 2011Adaptive Trading Agent Strategies Using Market Experience.pdf

说明：论文摘要：迁移学习在经济学中的应用—i)找出最相似的市场，ii)仅从当前市场学习，iii)从当前市场学习，但使用以前的经验调整学习算法，iv)从当前和以前的市场学习。
<liz_Lee> 上传 | 大小：2mb

[深度学习] 2018GLoMo: Unsupervisedly Learned Relational Graphs as Transferable Repres.pdf

说明：论文摘要：现代的深度迁移学习方法主要侧重于从一个任务中学习可转移到其他任务中的一般特征向量，如语言中的单词嵌入和视觉中的预训练卷积特征。然而，这些方法通常传递一元特征，并在很大程度上忽略了更结构化的图形表示。这项工作探索了学习通用潜关系图的可能性，它捕获了数据单位对之间的依赖关系(例如，单词或像素)，从大规模的未标记数据，并将图传输到下游任务。
<liz_Lee> 上传 | 大小：610kb

[深度学习] 2019Seeded transfer learning for regression problems with deep learning.pdf

说明：论文摘要：相关但不同领域的数据分布差异是知识适应的长期问题。提出了一种新的源域知识变换方法，使其与目标函数相适应。该方法利用深度学习方法和目标域有限样本对源域数据集进行变换。它将目标域的有限样本作为启动源知识转移的种子。采用不同的计算智能模型和不同的数据集进行了综合实验。结果表明，使用该方法训练的预测模型与仅使用源知识或深度学习特征训练的相同模型相比，表现出最佳的性能。实验表明，在总共18个实验中，使用所提方法训练的模型在14个实验中至少比基线方法好50%
<liz_Lee> 上传 | 大小：1mb

[深度学习] 论文笔记-2014ECML-ImportanceWeighted Inductive Transfer Learning for Regression.pdf

说明：论文摘要：我们考虑了数据集移动的归纳转移学习，在这种情况下，两个采样的，但密切相关的数据集的分布不同。当需要预测的目标数据稀缺时，就会使用另一个次要数据集的数据来改进预测。迁移学习试图通过适当补偿这样的数据集移动来解决这个任务。在这项工作中，我们假设协变量和因变量的分布可以在数据集之间任意不同。本文提出了两种基于重要性加权的回归方法。这里对辅助数据的每个实例都分配了一个权重，以便该数据对目标数据的预测作出积极的贡献。实验表明，该方法在基准测试和真实数据集上都取得了良好的效果。
<liz_Lee> 上传 | 大小：481kb

[深度学习] 深度学习 挑战配分函数

说明：许多概率模型由一个未归一化的概率分布定义，它必须通过除以配分函数来归一化。配分函数是未归一化概率所有状态的积分（对于连续变量）或求和（对于离散变量），一些模型会直接面对难以计算的配分函数
<baidu_35560935> 上传 | 大小：10mb

[深度学习] 深度学习之 近似推断

说明：概率推断的核心任务就是计算某分布函数， 所涉及的分布可能很复杂，需要引入一些近似计算方法 变分法的优点主要是：有解析解、计算开销较小
<baidu_35560935> 上传 | 大小：9mb

[深度学习] FairMOT-master.zip

说明：FairMOT-master.zip，6月16号版本。下载自：https://github.com/ifzhang/FairMOT/tree/master/。
<qq_35975447> 上传 | 大小：43mb

[深度学习] 知识图谱白皮书2019

说明：知识图谱始于20世纪50年代，至今大致分为三个发展阶段:第一阶段 (1955年—1977年)是知识图谱的起源阶段，在这一阶段中引文网络分析 开始成为一种研究当代科学发展脉络的常用方法;第二阶段(1977年-2012 年)是知识图谱的发展阶段，语义网得到快速发展，“知识本体”的研究 开始成为计算机科学的一个重要领域，知识图谱吸收了语义网、本体在知 识组织和表达方面的理念，使得知识更易于在计算机之间和计算机与人之 间交换、流通和加工;第三阶段(2012年—至今)是知识图谱繁荣阶段， 2012年谷歌提
<fkyyly> 上传 | 大小：14mb

[深度学习] SkyAR预训练模型 best_ckpt.pt

说明：该文件是SkyAR项目的预训练模型。Castle in the Sky: Dynamic Sky Replacement and Harmonization in Videos
<ling620> 上传 | 大小：563mb

[深度学习] 生成对抗网络创始者论文Generative Adversarial Nets

说明：Ian J. Goodfellow等人于2014年提出生成对抗网络。 原文摘要：We propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train two models: a generative model G that captures the data distribution, and a discriminati
<weixin_43393718> 上传 | 大小：537kb

[深度学习] cudnn-11.0-linux-x64-v8.0.3.33.tgz

说明：适用于CUDA11.0的cuDNNv8.0.3.33。cudnn-11.0-linux-x64-v8.0.3.33.tgz。
<TracelessLe> 上传 | 大小：961mb