Обзор трансферного обучения

Методы машинного обучения и интеллектуального анализа данных применяются во многочисленных практических задачах. Традиционные методологии машинного обучения предполагают, что обучающие и тестовые данные получены из одной и той же предметной области, поэтому пространство входных признаков и характеристики распределения данных совпадают. Однако в некоторых практических сценариях машинного обучения это предположение не выполняется. В ряде случаев сбор обучающих данных является дорогостоящим или затруднительным. Поэтому существует необходимость создавать высокопроизводительные модели, обученные на более доступных данных из других предметных областей. Эта методология называется трансферным обучением. В данном обзорном исследовании формально определяется трансферное обучение, представлены сведения о современных решениях и рассмотрены приложения трансферного обучения. Наконец, приведена информация о загрузке программного обеспечения для различных решений в области трансферного обучения и обсуждаются возможные направления дальнейших исследований. Рассмотренные решения для трансферного обучения не зависят от объема данных и могут применяться в средах больших данных.