適配器模組 Adapter
適配器模組是一種輕量級的模型微調方法，透過在預訓練模型中插入少量可訓練參數，以適應特定任務，同時保持原始模型參數凍結。
機器學習深度學習自然語言處理
遷移學習 相關 AI 術語
瀏覽 AITerms.tw 中標籤為「遷移學習」的 AI 術語，快速找到定義、FAQ 與 iPAS 考試重點。
目前篩選：標籤「遷移學習」，共 35 個術語。
熱門主題
看全部同一術語可隸屬多個主題，因此主題數量會重複計算。
主題標籤
全部
3D AI 3D 重建 3D視覺 3D重建 AI Agent AI 倫理 AI 合規 AI 基礎設施 AI 應用 AI 部署 AI代理 AI倫理 AI倫理與治理 AI公平性 AI基礎 AI基礎概論 AI安全 AI安全與治理 AI對齊 AI導入 AI應用 AI推論 AI更新機制 AI架構 AI研究 AI素養 AI訓練 AI評估 AI誠實性 AI部署 ARIMA AUC Ablation Study Anthropic Atari遊戲 AutoML BERT BIO標注 Boosting Box-Cox CART CI/CD CLIP CNN CRF Chain-of-Thought Computer Vision DBSCAN DeepSeek Deepfake DevOps Diffusion EDA Edge Computing Explained Variance Ratio F1 Score F1 分數 FHE GAN GDPR GPT GloVe Hypothesis Testing IoT K-Means Kaggle L1 懲罰 L11401 L11402 L22/L23-prog L22103 LBS LLM LLM-as-Judge LLM應用 LLM評估 LSTM LangChain LightGBM LoRA MLOps Mask R-CNN Model Deployment Multi-Head Attention NER NLP OpenAI PCA PDPA PINN Paillier Prompt工程 Prophet Python Python程式 QLoRA RAG RAGAS RLHF ROC-AUC ROC曲線 ROI ReAct SLAM SMOTE SVM Sequence Labeling Shapley 值 Shapley值 Speech Recognition Tableau Transformer VAE Word2Vec World Model XAI XGBoost iPAS iPAS中級 iPAS初級 iPAS考試 mAP p值 source:arxiv source:ipas 三維理解 不平衡學習 不確定性 不確定性估計 並行控制 中文分詞 中級 中繼資料 主成分分析 事件提取 二元分類 二階優化 交叉驗證 交易管理 人機互動 任務分布 任務分解 任務導向 任務採樣 企業AI應用 估計量 位置感知AI 低階特徵 低階視覺 信任區域 信息安全 信息檢索 信用評分 信用風險 信號處理 修辭分析 個人化 個人化AI 個人資料保護 倫理AI 值函數 假設檢定 偏差與公平 偏態分布 偏見 偏誤 傅立葉變換 元學習 元模型 內容追蹤 全同態加密 公平性 公鑰基礎設施 具身AI 具身智慧 分佈偏移 分佈式訓練 分佈檢驗 分子生成 分布偏移 分布設計 分散式系統 分散式訓練 分散式運算 分箱 分群評估 分類 分類任務 分類問題 分類指標 分類模型 分類評估 分類錯誤 初級 判別式AI 動態權重 動態適應 半監督學習 協同學習 協同過濾 博弈論 即時渲染 卷積神經網路 參數效率 參數高效 參數高效微調 句法分析 召回率 可學習相似度 可微分渲染 可控生成 可擴展訓練 可用性 可解釋 AI 可解釋AI 可解釋性 可解釋性AI 可靠度分析 可靠性 合規管理 同態加密 向量表示 向量資料庫 向量運算 問答系統 因子分析 因果關係 圖像分割 圖像處理 圖模型 地球觀測 型一錯誤 域適應 基準測試 基礎設施 堆疊 外部記憶 多代理人系統 多任務學習 多元共線性 多層策略 多智能體系統 多模態 多模態AI 多模態學習 多步驟推理 多變量分析 多重共線性 多頭注意力 夜間攝影 大型語言模型 大數據 大規模資料 媒體驗證 子詞 安全 安全AI 密度聚類 密碼學 實驗方法 實體識別 實體追蹤 專家演示 對抗訓練 對比學習 對話理解 對話系統 對齊 少數類 少樣本分類 少樣本學習 嵌入 工具使用 工具呼叫 工具調用 工業AI 工業級 幻覺 幻覺偵測 幻覺問題 幾何深度學習 序列建模 序列標注 序列模型 序列決策 序列生成 序數資料 度量學習 弱學習 強化學習 影像修復 影像分割 影像品質 影像增強 影像生成 影像處理 後訓練 循環神經網路 微調 快速適應 思維鏈 情境學習 情感分析 意圖識別 意見挖掘 成本效益 持續學習 指代消解 指令遵循 指數分佈 排序 排序算法 採樣技術 推理 推理優化 推理模型 推理能力 推薦系統 推論 推論優化 提示學習 提示工程 提示敏感性 損失函數 搜索引擎 擴散模型 支援向量機 效率優化 數值方法 數值轉換 數學 數學基礎 數據融合 文件理解 文字生成 文本分類 文本挖掘 文本生成 文本結構 文法 新視角合成 時序分析 時序資料 時間序列 時頻分析 最佳化 最優化 未知識別 查詢優化 核方法 格密碼學 條件機率 條件語句 梯度提升 標準化 模型上線 模型可解釋性 模型可靠性 模型壓縮 模型對齊 模型推理 模型推論 模型監控 模型維運 模型解釋 模型訓練 模型評估 模型部署 模型預測控制 樣本效率 樹狀結構 機制設計 機器人學 機器人學習 機器學習 機器學習基礎 機器學習工作流 機器學習應用 機器學習管線 機率分佈 機率分布 機率推論 機率模型 機率統計 檢索增強 檢索增強生成 欠採樣 歐盟 正則化 正規化 決策支持 決策樹 泊松過程 法規合規 泛化能力 注意力機制 消融研究 深偽防護 深度估計 深度學習 深度學習應用 深度學習研究 深度強化學習 混淆矩陣 演算法選擇 激活函數 災難性遺忘 無梯度推論 無母數方法 無監督學習 無記憶性 焦點損失 版權管理 物件偵測 物理模擬 物聯網 特徵分解 特徵工程 特徵提取 特徵映射 特徵縮放 特徵表示 特徵選取 特徵選擇 特徵重要性 獎勵學習 生成對抗網路 生成式AI 生成式AI品質 生成式AI對比 生成式模型 生成模型 生產環境 用戶偏好 用戶行為 異常偵測 異常檢測 監督學習 監督式學習 監管 知識圖譜 知識整合 知識編輯 知識表徵 矩陣分解 神經元 神經網路 神經網路距離 神經計算機 神經記憶 科學AI 科學機器學習 稀疏模型 稀疏自動編碼器 空間 AI 空間計算 立體視覺 等變性 策略梯度 精確率 系統可靠性 系統架構 約束優化 納什均衡 細粒度任務 終身學習 組織流程 統計 統計分析 統計圖表 統計基礎 統計學 統計推斷 統計推論 統計方法 統計模型 統計檢定 經典演算法 線性代數 線性回歸 線性模型 線性迴歸 群論 聚類 聚類演算法 聯邦學習 聲學建模 聲學模型 聲音識別 自主AI 自動化 自動化決策 自動化部署 自動編碼器 自動駕駛 自回歸 自我對弈 自注意力 自然語言處理 自監督學習 自駕車 行為克隆 衛星資料 表格資料 表示學習 製造業 複雜控制 規劃 視覺化 視覺注意力 視覺語言模型 視頻分析 解耦表示 解釋方差比 言語行為 計數模型 計量經濟 訊號處理 訓練監控 訓練資料 詐騙偵測 評估指標 詞向量 詞表 認知AI 語意搜尋 語法結構 語義分析 語義向量 語義相似度 語言學 語言模型 語言理解 語音AI 語音處理 語音轉換 語音轉文字 語音辨識 論元角色 貝葉斯優化 貝葉斯方法 貝葉斯統計 負責任 AI 負責任AI 資料一致性 資料保護 資料分割 資料分析 資料前處理 資料品質 資料增強 資料安全 資料工程 資料庫 資料收集 資料治理 資料漂移 資料科學 資料管線 資料處理 資料視覺化 資料隱私 資料預處理 資訊安全 資訊擷取 資訊檢索 資訊理論 質量控制 賽局理論 超參數優化 超參數調整 距離函數 軟體工程 迴圈語句 迴歸分析 透明度 連續控制 連貫性 運動估計 過度離散 過採樣 過擬合 遙測 遮罩語言模型 遷移學習 邊界偵測 邊界框 邊緣運算 邏輯回歸 醫療AI 醫療影像 量化 金融AI 金融模型 門控機制 開放世界 閾值選擇 降維 隔離等級 隨機森林 隱私 隱私AI 隱私保護計算 隱私工程 隱私法規 隱私計算 隱私設計 集成學習 離散化 離散控制 離群值 離群值偵測 離群值處理 雲端架構 雲端部署 零樣本 零次遷移 雷達影像 電商 電子憑證 電腦圖學 電腦視覺 非參數統計 非對稱加密 非監督學習 非監督式學習 非線性分類 音樂分析 音訊信號 音訊分析 音訊特徵 音訊處理 預測模型 預處理 預訓練 預訓練模型 類別不平衡 類別特徵 類別編碼 風險管理 風險評估 高可用性 高基數特徵 魯棒性
A-Z 快速導覽
目前篩選：標籤「遷移學習」 ，共 35 個術語
清除篩選 同一術語可隸屬多個主題，因此主題數量會重複計算。
A
1 個術語C
1 個術語D
3 個術語E
1 個術語F
4 個術語少樣本域轉移 Few-shot Domain Adaptation
用極少量目標域標籤資料，在保持源域知識的前提下快速適應新域。
遷移學習機器學習深度學習
少樣本學習 Few-shot Learning
iPAS少樣本學習讓模型僅憑少數標記範例即可泛化至新任務，突破傳統機器學習對大量訓練資料的依賴
機器學習遷移學習
微調 Fine-tuning
iPAS微調是在預訓練模型基礎上，以少量特定領域資料繼續訓練，使通用模型適應特定任務需求，提升性能。
遷移學習模型訓練深度學習
基礎模型 Foundation Model
基礎模型是使用大量未標記數據訓練的大型模型，可適應多種下游任務，展現出強大的泛化能力和遷移學習能力。
機器學習深度學習自然語言處理
H
1 個術語I
2 個術語K
1 個術語L
2 個術語M
4 個術語元學習 Meta-learning
元學習，又稱學習如何學習，旨在訓練模型能夠快速適應新任務或環境，透過少量樣本即可達到良好的效能。
機器學習深度學習模型訓練
移動網路 MobileNet
MobileNet是一種針對移動和嵌入式設備設計的輕量級深度神經網路架構，旨在實現高效的資源利用和快速的推論速度。
深度學習電腦視覺模型部署
多任務學習 Multi-task Learning
多任務學習是一種機器學習方法，旨在同時訓練一個模型來執行多個相關任務，以提升模型的泛化能力和效率。
機器學習深度學習模型訓練
多任務強化學習 Multi-task Reinforcement Learning
同時學習多個相關任務的強化學習方法，利用任務間的知識共享提升效率。
強化學習多任務學習遷移學習
O
1 個術語P
1 個術語Q
1 個術語R
2 個術語S
5 個術語自監督學習 Self-supervised Learning
從未標注資料中自動建立監督信號以訓練模型的學習範式，無需人工標注。
預訓練表示學習大型語言模型
半監督學習 Semi-supervised Learning
半監督學習是一種機器學習方法，它結合了少量標記資料和大量未標記資料進行模型訓練，旨在利用未標記資料提升模型效能，降低標記成本。
機器學習模型訓練模型評估
模擬至實轉移 Sim-to-Real Transfer
模擬至實轉移是一種將在模擬環境中訓練的模型應用到真實世界的方法，旨在克服模擬與現實之間的差異，提升模型泛化能力。
機器學習強化學習模型訓練
繼任特徵 Successor Features
繼任特徵是強化學習中的一種狀態表徵方法，用於解耦環境動態與獎勵函數，提升多任務學習效率。
強化學習遷移學習特徵工程
Swin變換器 Swin Transformer
Swin Transformer是一種層級式的Transformer模型，用於電腦視覺任務，透過移動視窗機制有效降低計算複雜度，並提升模型效能。
電腦視覺深度學習神經網路