Resumen

La introducción del aprendizaje profundo de transferencia (DTL, por sus siglas en inglés) reduce aún más la necesidad de datos y conocimientos expertos en varias aplicaciones, ayudando a que los modelos basados en DNN reutilicen de manera efectiva la información. Sin embargo, a menudo transfiere todos los parámetros de la red fuente que podrían ser útiles para la tarea. Los parámetros entrenables redundantes restringen el DTL en dispositivos con baja potencia de cálculo y en la informática perimetral, mientras que las redes efectivas pequeñas con menos parámetros tienen dificultades para transferir conocimientos debido a diferencias estructurales en el diseño. Para el desafío de cómo transferir un modelo simplificado desde una red compleja, en este artículo se propone un algoritmo para realizar un DTL disperso, que solo transfiere y conserva la estructura más necesaria para reducir los parámetros del modelo final. Se introduce la hipótesis de transferencia dispersa, en la que se diseña una estrategia de compresión para construir redes profundas dispers

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Aprendizaje profundo por transferencia; DTL; Datos; Conocimiento experto; Modelos basados en DNN; Parámetros
• Keywords:Deep transfer learning; DTL; Data; Expert knowledge; DNN-based models; Parameters