文件名称：wann
文件大小：8.24MB
文件格式：ZIP
更新时间：2024-03-24 19:20:45
JupyterNotebook
万恩 加权对抗神经网络 有关该算法的在线演示，请访问 综合实验设置 没有重新加权 TrAdaBoostR2 万恩 WANN是一种适用于回归任务的监督域自适应方法。 该算法是基于实例的方法，该方法学习源实例损失的重新加权，以纠正源分布和目标分布之间的差异。 WANN算法包括在相同的梯度下降中并行训练三个网络。 加权网络W学习源实例权重，该权重乘以任务的源损失和差异网络ht和hd 。 最后一个网络估计了重新加权的源实例和目标实例之间的Y差异，并使用与另外两个相反的目标函数（ -G ）进行训练。 这是通过使用图中粗体显示的“逆向渐变层”（RGL）来完成的。 要求 数值实验代码需要以下程序包： tensorflow （> = 2.0） scikit-learn numpy cvxopt nltk （用于情感分析预处理） matplotlib （用于可视化） 可以使用文件en
【文件预览】：
wann-master
----notebooks()
--------Kin_experiments.ipynb(14KB)
--------SA_experiments.ipynb(14KB)
--------UCI_experiments.ipynb(13KB)
--------Toy_experiments.ipynb(365KB)
----images()
--------toy_setup.png(44KB)
--------kin.PNG(129KB)
--------tradalong100.gif(5.12MB)
--------toy.png(111KB)
--------superconductivity.PNG(145KB)
--------sa.PNG(136KB)
--------paint_wann_algo_v2.jpg(65KB)
--------noreweight.gif(1.1MB)
--------wann.gif(1.26MB)
----environment.yml(4KB)
----README.md(4KB)
----.gitignore(31B)
----wann()
--------uci_experiments.py(10KB)
--------utils.py(16KB)
--------__init__.py(0B)
--------kin_experiments.py(12KB)
--------sa_experiments.py(12KB)
--------methods()