机构名称：
¥ 1.0
Learnware范式旨在建立一个众多训练有素的机器学习模型的Learnware Dock系统，使用户能够重用现有的有用模型来完成其任务，而不是从头开始。系统中的每个学习软件都是由其开发操作提交的良好模型，与学习仓库系统生成的规范相关联。规范表征了相应模型的特定，使其能够准确地确定新的任务要求。Existing specifi- cation generation methods are mostly based on the R educed K ernel M ean E mbedding (RKME) technique, which uses the M aximum M ean D iscrepancy (MMD) in the R eproducing K ernel H ilbert S pace (RKHS) to seek a reduced set that char- acterizes the model's capabilities.但是，现有的基于RKME的方法主要利用特征信息来通过假设地面真实标签函数的存在，而留下标签信息，该标签信息能够提供丰富的语义特征，并没有受到影响。此外，生成的规范的质量在很大程度上依赖于内核的选择，这使其无法适应所有真实世界的场景。在本文中，为了克服上述局限性，我们提出了一种名为l ane的新颖规范方法，即l abel- a a a a a a eural e mbedding。在l ane中，使用神经嵌入空间来替换RKHS，有效地规避了内核选择的步骤，从而解决了现有基于RKME的规范方法中内核上的de否。更重要的是，L ane使用标签信息作为附加监督来增强生成过程，从而导致质量的规格。广泛的例证证明了学习软件范式中提出的LANE方法的有效性和优势。
通过标签感知神经嵌入
主要关键词
相关文件推荐
