انتقال یادگیری، تعاریف، رویکردها و کاربردها

بهره گیری از دانش استخراج شده از نمونه داده های آموزشی مشاهده شده قبلی جهت پیشبینی برچسب نمونه های آزمایشی جدید که در آن توزیع داده های آموزشی و آزمایشی یکسان نیستند، هدف انتقال یادگیری به شمار میرود. برخلاف روش های یادگیری ماشین سنتی که در آنها توزیع یکسان داده های آموزشی و آزمایشی یک فرض محسوب میشود، در انتقال یادگیری این فرض وجود نداشته و هدف آن بکارگیری سریع و موثر از دانش انباشته شده در مدلهای ایجاد شده با نمونه های آموزشی، در دامنه ای متفاوت از نمونه های آزمایشی است. تحقق این امر در زندگی روزمره انسان مکررا رخ می دهد. فردی که دانش دوچرخه سواری را فرا گرفته است میتواند از این دانش در فراگیری سریع و موثر موتور سواری استفاده نماید. استفاده از یک مدل آموزش دیده در رده بندی داده هائی با ویژگیهای سیب، جهت پیشبینی برچسب داده هائی با ویژگیهای گلابی به کمک استفاده از دانش قبلی، هدفی است که در انتقال یادگیری دنبال میشود. این در حالی است که در فرآیند پیشبینی برچسب در یادگیری ماشین سنتی، مدل باید با داده های جدیدی که شامل ویژگیهای گلابی است، مجددا آموزش داده شود. این کار علاوه بر هزینهبر بودن، دانش مفید استخراج شده قبلی را نیز از بین میبرد. هدف از این پژوهش، بررسی انتقال یادگیری، رویکردها و کاربردهای آن است. ضمن تعریف انتقال یادگیری به رویکردهای انتقال یادگیری شامل انتقال نمونه، انتقال نماینده ویژگی، انتقال پارامتر و انتقال دانش رابطه ای اشاره نموده و موارد استفاده از این رویکردها در شبکه های عصبی، بیز، سیستم های فازی و الگوریتم های ژنتیک مورد بررسی قرار خواهند گرفت. همچنین اشاراتی به کاربرد انتقال یادگیری در زمینه های پردازش زبان طبیعی، بینایی ماشین، زیست شناسی، مدیریت مالی و مدیریت کسب وکار خواهد شد.

کلیدواژه ها:

یادگیری ماشین ، انتقال یادگیری ، انتقال نمونه ، انتقال نماینده ویژگی ، انتقال پارامتر ، انتقال دانش