IEEE TPAMI

R^2-HGP: A Double-Regularized Gaussian Process for Heterogeneous Transfer Learning

R²-HGP：一种双正则化高斯过程用于异构迁移学习

Duo Wang, Xinming Wang, Chao Wang, Xiaowei Yue, Jianguo Wu

机构 * Department of Control Science and Systems Engineering, Peking University（控制科学与系统工程系，北京大学） ； China Mobile Information Technology Co., Ltd.（中国移动信息科技有限公司） ； Department of Industrial and Systems Engineering, University of Iowa（工业与系统工程系，爱荷华大学） ； Department of Industrial Engineering, Institute for Quality and Reliability, Tsinghua University（工业工程系，质量与可靠性研究院，清华大学） 纠错

AI总结 本文提出R²-HGP框架，通过双正则化和物理知识整合，解决异构迁移学习中输入空间异构、先验知识忽略和负迁移问题。

Comments 17 pages, 9 figures. Under review for IEEE TPAMI

l0-Regularized Sparse Coding-based Interpretable Network for Multi-Modal Image Fusion

基于l0正则化稀疏编码的可解释网络用于多模态图像融合

Gargi Panda, Soumitra Kundu, Saumik Bhattacharya, Aurobinda Routray

机构 * Department of EE, IIT Kharagpur, India（印度IIT Kharagpur电子工程系） ； Rekhi Centre of Excellence for the Science of Happiness, IIT Kharagpur, India（印度IIT Kharagpur幸福科学卓越中心） ； Department of E&ECE, IIT Kharagpur, India（印度IIT Kharagpur电子工程与电子学系） 纠错

AI总结 本文提出基于l0正则化稀疏编码的可解释网络FNet，用于多模态图像融合，通过分离独特和共同特征提升融合质量并增强下游任务性能。

Comments Accetped by IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)