{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,2,29]]，“日期-时间”：“2024-02-29T23:56:18Z”，“时间戳”：1709250978832}，“参考-计数”：52，“发布者”：“爱思唯尔BV”，“许可证”：[{“开始”：{--“日期-部分”：[2019,2,1]]，”日期-时间“：”2019-02-01T00:00:00Z“，”timestamp“：1548979200000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com//tdm\/userlicense\/1.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001381”，“名称”：“新加坡国家研究基金会”，“DOI-asserted-by”：“crossref”，“奖项”：[“AISG-RP-2018-00”]}]，”content-domain“：{”domain“域“：[”elsevier.com“，”sciencedirect.com“]，“交叉标记限制”：true}，“short-container-title”：[“基于知识的系统”]，“published-print”：{“date-parts”：[[2019,2]]}，“DOI”：“10.1016\/j.knosys.2018.11.029”，“type”：“journal-article”，“created”：{“date-parts”：[2018,12,15]]，“date-time”：“2018-12-15T15:07:51Z”，“timestamp”：1544886471000}，”page：“208-218”，“update-policy”：”http：\/\/dx.DOI.org\/10.1016\/elsevier_cm_policy“，“source”：“Crossref”，“is-referenced-by-count”：19，“title”：[“大规模源的快速传递高斯过程回归”]，“prefix”：“10.1016”，“volume”：”165“，“author”：[{“given”：《冰水》，“family”：“Da”，”sequence“：“first”，“affiliation”：[]}，{“given”:“Yew-Soon”，“faily”：《Ong》，“sequence”：“additional”，“filiance”：[]}，“givent”：“Abhishek”，“家庭”：“Gupta”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Liang”，“family”：“Feng”，“serquence”，“additionable”：“affidiation”：【】}，}“giving”：“Haitao”，”family“：”Liu“，”sequence“：”additional“，”affiliance“：【】，“member”：“78”，“reference”：[{“issue”：“10”，“key”：”10.1016\/j.knosys.2018.11.029_b1“，”doi-asserted-by“：”crossref“，”first page“：”1345“，”doi“：“10.1109\/TKDE.2009.191”，“文章标题”：“关于迁移学习的调查”，“卷”：“22”，“作者”：“潘”，“年”：“2010”，“期刊标题”：“IEEE Trans.Nowl.Data Eng.”｝，｛“键”：“10.1016\/j.knosys.20.11.029_b2”，“doi断言”：“crossref”，“首页”：“14”，“doi”：“10.1016\/j.knosys.2015.01.010”，“文章标题”：“使用计算智能的迁移学习：一项调查”，“卷”：“80”，“作者”：“卢”，“年份”：“2015年”，“期刊标题”：“基于知识的系统”}，{“关键”：“10.1016\/j.knosys.2018.11.029_b3”，“series-title”：“第18届AIAA\/ISSMO多学科分析与优化会议”，“article-title”：“飞机发动机设计中的数据稀缺应对”，“author”：“Tan”，“year”：“2017”}，{“issue”：“5”，“key”：“10.1016\/j.knosys.2018.11.029_b4”，“doi-asserted-by”：“crossref”，“first-page”：“1285”，”doi“：”10.1109\/TMI.2016.2528162“，”article-title“用于计算机辅助检测的深卷积神经网络：CNN架构、数据集特征和转移学习”，“volume”：”35“，”author“：”Shin“，“年份”：“2016年”，“新闻标题”：“IEEE Trans.Med.Imag.”}，{“key”：“10.1016\/j.knosys.2018.11.029_b5”，“series-title”：“声学、语音和信号处理（ICASSP），2013 IEEE国际会议”，“首页”：“7304”，“文章标题”：”使用共享隐藏层的多语言深层神经网络进行跨语言知识转移“，”author“：“Huang”，“year”：“2013”}，{“key”：“10.1016\/j.knosys.2018.11.029_b6”，“series-title”：“NIPS医疗保健车间的机器学习”，“article-title”：”多任务学习预测健康、压力和幸福“，“author”：“Jaques”，“year”：”2016“}，}“key”：：“多任务贝叶斯优化”，“author”：“Swersky”，“year”：“2013”}，{“issue”：“99”，“key”：“10.1016\/j.knosys.2018.11.029_b8”，“article-title”：“带跨异构问题学习的自动编码进化搜索”，“volume”：《PP》，“auther”：“Feng”，“年份”：“2017”，“journal-title“：”：“IEEE Trans.Evol.Comput.”}、{“key“10.1016 \/j.knosys.2018.11.029_b9”，“doi-asserted-by”：“crossref”，“doi”：“10.1109\/TFUZZ.2018.2857725”，“article-title”：“使用无限高斯混合模型和主动学习的模糊转移学习”，“author”：“Zuo”，“year”：“2018”，“journal-title“：”IEEE Trans.Fuzzy Syst.“}，{“key”：“101016\/j.knosys.2018.11.029_b10”，“doi-asserted-by”：853720英寸，“article-title”：“同构和异构空间中基于模糊规则的领域自适应”，“author”：“Zuo”，“year”：“2018”，“journal-title“：”IEEE Trans.Fuzzy Syst.“}，{“key”：“10.1016\/j.knosys.2018.11.029_b11”，“series-title”：”Gaussian Processes for Machine Learning“，”author“：”Rasmussen“，”year“2006”}，“key“：”10.1016\/j.knosys.2018.11.029_b12“，“doi-asserted-by”：“crossref”，“first page”：“148”，”doi“：”10.1016\/j.knosys.2016.10.002“，”article-title“：”基于Knn的卡尔曼滤波：高斯过程回归的一种高效非平稳方法“，”volume“：”114“，”author“：”Wang“，”year“：”2016“，”journal title“：“Knowl.-based Syst.”}，{“key”：”10.116\/j.knosys.2018.11.029_b13“，”series-title“”：“AISTATS”，“article-title”：“可伸缩变分高斯过程分类”，“volume”：“vol.38”，“author”：“Hensman”，“year”：“2015”}，{“key”：”10.1016\/j.knosys.2018.11.029_b14“，”series-title“：”NIPS“，”first page“：”2960：“10.1016\/j.knosys.2018.11.029_b15”，“doi-asserted-by”：“crossref”，“first page”：“211”，”doi“：”10.1016\/j.engappai.2017.0.008“，”article-title“：”在多保真建模中应对不同的数据结构：高斯过程方法“，”volume“：”67“，”author“：”Liu“，”year“：”2018“，”journal title“：“Eng.Appl.AI”}，{“key”：”10.116\/j.jonosys.201 8.11.029_b16“，“series-tile”：“NIPS”，“first page”：“329”，“article-title”：“用于高维数据可视化的高斯过程潜在变量模型”，“author”：“Lawrence”，“year”：“2003”}，{“key”：”10.1016\/j.knosys.2018.11.029_b17“，“series-title“：”NIPS 2005转移学习研讨会，第898卷“，”article-title“，“To Transfer or not To Transfer”，“author”：“Rosenstein”，“year”：“2005”｝，｛“key”：“10.1016\/j.knosys.20.11.029_b18”，“series title”：“神经信息处理系统的进展”，“首页”：“153”，“文章标题”：“多任务高斯过程预测”，“author”：“Bonilla”，“year”：“2007”｝，｛“key”：“10.1016\/j.knosys.20.11.029_b19”，“series title”：“AAAI，Vol.2”，“首页”：“7”，“文章标题”：“自适应迁移学习。”，“作者”：“Cao”，“年份”：“2010”｝，｛“问题”：“4”，“密钥”：“10.1016\/j.knosys.20.11.029_b20”，“doi断言者”：“crossref”，“首页”：“214”，“doi”：“10.2514\/1.I010437”，“文章标题”：“高斯过程回归的前向自适应迁移”，“卷”：“14”，“作者”：“Wagle”，“年份”：“2017”，“期刊标题”：“j”。航空航天信息系统。“}，{”key“：”10.1016\/j.knosys.2018.11.029_b21“，”series-title“：”ICML“，”first page“：“3722”，”article-title“：“多源传递高斯过程回归的源-目标相似模型”，“volume”：“vol.70”，“author”：“Wei”，“year”：“2017”}，“key”：”10.116\/j.jonosys.208.11.029_b22 title“：”多输出回归的稀疏卷积高斯过程”，“author”：“\u00c1lvarez”，“year”：“2008”}，{“key”：“10.1016\/j.knosys.2018.11.029_b23”，“series-title”：“AISTATS”，“first page”：”25“，“article-title”：”通过变分诱导核的有效多输出高斯过程“，”volume“9”，“author”:“\u001c1lvarez”，”year“：”2010“}，}”key“：”10.1016\/j.knosys.2018.11.029_b24“，”首页“：”1459“，”article-title“：”计算效率卷积多输出高斯过程“，”volume“：“12”，”author“：”\u00c1lvarez“，”year“：”2011“，”journal-title”：“j.Mach。学习。研究“}，{”问题“：”11“，”关键“：”10.1016\/j.knosys.2018.11.029_b25“，”doi-asserted-by“：”crossref“，”首页“：”2719“，”doi“：”101162\/089976600300014908“，”文章标题“：”贝叶斯委员会机器“，”卷“：”12“，”作者“：”Tresp“，”年份“：”2000“，”日志标题“：“神经计算”}，”{“关键”：“10.1016\/j.knosys.2018.11.029_b26“，”series-title“：”专家产品”，“作者”：“Hinton”，“年份”：“1999”}，{“key”：“10.1016\/j.knosys.2018.11.029_b27”，“series-title”：“ICML”，“首页”：“1481”，“文章标题”：“分布式高斯过程”，“卷”：“vol.37”，“author”：“Deisenroth”，“年”：“2015”}，“首页”：“881”，“文章标题”：“无限混合高斯过程专家”，“author”：“Rasmussen”，“year”：“2001”}，{“key”：“10.1016\/j.knosys.2018.11.029_b29”，“series-title”：“NIPS”，“first-page”：“1897”，“article-title”：”高斯过程专家的变分混合“，”author“：”Yuan“，”year“2008”}、{“key”：“1016\/j.knosys.2018.11.29_b30”，“series-title“：”ICML“，”article.title title“：”高斯过程回归网络“，”author“：”Wilson“，”year“：”2012“}，{”key“：”10.1016\/j.knosys.2018.11.029_b31“，”series-title“：”AISTATS“，”first page“：“472”，”article-title“：“高斯过程回归网的有效变分推理”，“volume”：“vol.31”，“author”：“Nguyen”，“year”：“2013”}，”{“issue”：“5”，“key”：”10.1016\/j.knosys.2018.11.029_b32“，”doi-asserted-by“：”crossref“，”first page“：”37“，”doi“：”10.1145\/2831347.2831354“，”article-title“：”Edge-centric computing:vision and challenges“，“volume”：“45”，“author”：“L\u00f3pez”，“year”：“2015”，“journal-title”：“Compute”。Commun公司。版次“}，{“key”：“10.1016\/j.knosys.2018.11.029_b33”，“article-title”：“物联网：将云扩展到事物所在的地方”，“author”：“Computing”，“year”：“2015”，“journal-title“：”Cisco白皮书“}”，{”key“：”10.1016\/j.knosys.2018.11.029_b34“，”series-title“：使用特定任务特征的内核多任务学习”，“卷”：“第2卷”，“作者”：“Bonilla”，“年份”：“2007年”}，{“key”：“10.1016\/j.knosys.2018.11.029_b35”，“series-title”：“ECML\/PKDD（2）”，“首页”：“310”，”article-title“：“使用高斯过程的聚焦多任务学习10.1016\/j.knosys.2018.11.029_b36“，”series-title“：”NIPS“，”first page“：”279“，”article-title“：“多任务高斯过程回归的泛化误差和学习曲线”，“author”：“Chai”，“year”：“2009”}，{“issue”：“3”，“key”：“10.1016\/j.knosys.2018.11.029_b37”，“doi-asserted-by”：“crossref”，“first page”：“195”，”doi“：”10.1561\/2200000036“，”article-title“：”向量值函数的内核：A Review“，”volume“：”4“，”author“：”\u00c1lvarez“，”year“：”2012“，”journal-title”：“已找到。趋势马赫数。学习。“}，{”key“：”10.1016\/j.knosys.2018.11.029_b38“，”doi-asserted-by“：”crossref“，”首页“：”102“，”doi“：”101016\/j.knosys.2017.12.034“，”article-title“：”关于多输出高斯过程回归的备注“，”volume“：“144”，”author“：”Liu“，”year“：”2018“，”journal-title”：“Knowl.-Based Syst.”}，”{“key”：“10.1016\\j.knowsys”2018.11.029_b39“，”series-title“：”ICML“，”首页“：”1305“，”article-title“：”模型转换下的主动迁移学习“，”volume“：”vol.32“，”author“：”Wang“，”year“：”2014“}，{“key”：“10.1016\/j.knosys.2018.11.029_b40”，“series-title”：“ICML”，“first page”：”730“，”article-title“：”深度高斯过程下的非对称迁移学习“key“：”10.1016\/j.knosys.2018.11.029_b41“，”series-title“：”AISTATS“，”first page“：“207”，”article-title“：“深高斯过程”，“volume”：“vol.31”，“author”：“Damianou”，“year”：“2013”}，{“key”：”10.106\/j.josys.208.11.029_b42“，”doi-asserted-by“：”crossref“，”doi“：”101109\/TEVC.2017.2783441“，”artice-title“：”多问题代理：计算代价高的问题的转移进化多目标优化”，“作者”：“Min”，“年份”：“2017年”，“期刊标题”：“IEEE Trans。进化。计算。“}，{”issue“：”1“，”key“：”10.1016\/j.knosys.2018.11.029_b43“，”doi-asserted-by“：”crossref“，”first-page“：”43“，“doi”：“10.1007\/s10994-017-5684-y”，“article-title”：“用于超参数优化的基于可缩放高斯进程的传输代理”，“volume”：“107”，“author”：“Wistuba”，“year”：“2018”，“journal-title“：”Mach.Learn.“}”，{“key”：“10.1016\/j.knosys.2018.11.029_b44“，“首页”：“1939”，“文章标题”：“稀疏近似高斯过程回归的统一观点”，“数量”：“6”，“作者”：“坎德拉”，“年份”：“2005”，“期刊标题”：”j.Mach。学习。Res.“}，{”key“：”10.1016\/j.knosys.2018.11.029_b45“，”series-title“：”NIPS“，”first page“：“1257”，”article-title“：“使用伪输入的稀疏高斯过程”，”author“：”Snelson“，”year“：”2005“}”，{“key”：“10.1016\/j.kosys.208.11.029_b46”，”series-title，“年份”：“2013”}，{“关键字”：“10.1016\/j.knosys.2018.11.029_b47“，“series-title”：“NIPS”，“first page”：“3257”，“article-title”：”稀疏高斯过程回归和潜在变量模型中的分布式变分推断“，”author“：”Gal“，”year“：”2014“}，{“key”：”10.1016\/j.knosys.2018.11.029 _b48“，”series-ttle“：”NIPS“，”first page“：”5137“，”article-title“：“”使用高斯过程对监督学习中的潜在信息进行有效建模”，“author”：“Dai”，“year”：“2017”}，{“key”：“10.1016\/j.knosys.2018.11.029_b49”，“series-title”：“NIPS”，“first-page”：“3357”，“article-title”：”高斯过程随机域“，“author”：“Moore”，“年份”：“2015”}《线性代数手册》，“作者”：“Hogben”，“年份”：“2006”}，{“key”：“10.1016\/j.knosys.2018.11.029_b51”，“series-title”：“ICML”，“首页”：“863”，“article-title”：《回归传递的推动》，“author”：“Pardoe”，“year”：“2010”}、{“issue”：“4”，“key“10.1016”\/j.jnosys.2018.11.029_b52”，“doi-asserted-by”：“crossref”，“first page”：“547”，“doi”：“10.1016\/j.dss.2009.05.016”，“文章标题”：“通过物理化学特性的数据挖掘建模葡萄酒偏好”，“卷”：“47”，“作者”：“Cortez”，“年份”：“2009”，“期刊标题”：“Decis。支持系统。“}]，”container-title“：[”Knowledge-Based Systems“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S0950705118305811？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，”{“URL”：“”https:\/\/api.elsevier.com/content\/article\/PII:S0950705118305811？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2020,5,20]]，“date-time”：“2020-05-20T15:49:22Z”，“timestamp”：1589989762000}，“score”：1，“resource”：{primary“：{”URL“https:”https:\\//linkinghub.elsevier.com/retrieve\/pii\/S09507070 5118305811“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2019,2]]}，”references-count“：52，”alternative-id“：[”S0950705118305811“]，”URL“：”http://\/dx.doi.org\/101016\/j.knosys.2018.11.029“，”relationship“：{}，“ISSN”：[“0950-7051”]，“ISSN-type”：[{“value”：“09507051”，“type”:“print”}]，“subject”：[]，“published”：{“date-parts”：[[2019,2]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher“，”label“：”本文由“}，{”value“：”与大规模源的快速传递高斯过程回归“，”name“：”articletitle“，”标签“：”article Title“}”，{“value”：“基于知识的系统”，“name”：“journaltitle”，“label”：“Journal Title”}，}“value”：“https:\\/doi.org\/101016\/j.knosys.2018.11.029”，“name”：“articlelink”，“标签”：“”CrossRef DOI链接到出版商维护的版本“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“values”：“\u00a9 2018 Elsevier B.V.保留所有权利。”，“名称”：“版权”，“标签”：“copyright”}]}