Core Concepts
提案されたモデルは、限られたリソースでターゲットタスクに対する分類器を学習する問題に取り組み、自然なバイアス-バリアンスのトレードオフを利用している。
Abstract
提案されたモデルは、ソースタスクからの情報を活用し、新しい情報に基づいて期待リスクを近似し、最小化することができる。FLDに焦点を当てており、物理的予測問題で人気がある。
Stats
ソースタスク数:10, 100, 1000
ターゲットサンプル数:10, 20, 50, 100
vMF集中パラメータκ:10以上
次元数:10以上
Quotes
"現代の機械学習アプローチは、複数の利用可能なソースタスクから情報を活用して不足しているタスク固有データを補完しようとします。"
"提案された方法は、特定の一連の分類器に関して古典的および現代的なアプローチ間で補間できます。"
"目的のタスク固有データが少ない場合、α値が1に近い場合は高バイアス低分散推定と解釈できます。"
"提案された方法では、平均ソースベクトルを正規分布としてモデリングすることが適切かつ効果的です。"
"最適な分類器は、すべてのセッションデータを使用して射影ベクトルを推定する際の実質的な値が約17.2であることがわかりました。"