مروری بر روش های یادگیری انتقالی عمیق

یادگیری عمیق پاسخ بسیاری از مشکلات یادگیری ماشین در دو دهه گذشته بوده است . با این حال، با دو محدودیت قابل توجه همراه است : وابستگی به داده های برچسب گذاری شده گسترده و هزینه های آموزشی . یادگیری انتقالی در یادگیری عمیق ، که به عنوان یادگیری انتقال عمیق شناخته می شود، تلاش می کند تا با استفاده مجدد از دانش به دست آمده از دادهها، این چنین اتکا و هزینه هایی را کاهش دهد. بیشتر تکنیک های یادگیری انتقال عمیق کاربردی، رویکردهای مبتنی بر شبکه /مدل هستند. این روش ها وابستگی مدل های یادگیری عمیق به داده های آموزشی گسترده را کاهش داده و هزینه های آموزشی را به شدت کاهش می دهد. علاوه بر این ، کاهش هزینه آموزش باعث می شود یادگیری انتقال عمیق روی دستگاه های لبه با منابع محدود قابل اجرا باشد. مانند هر پیشرفت جدید، روش های یادگیری انتقال عمیق محدودیت های خاص خود را دارند و انتقال یادگیری موفق به تنظیمات و استراتژی های خاص برای سناریوهای مختلف بستگی دارد. این مقاله به بررسی مفهوم، تعریف و طبقه بندی یادگیری انتقال عمیق و روش های شناخته شده می پردازد. این روش رویکردهای یادگیری انتقال عمیق را با مرور تکنیک های کاربردی یادگیری انتقال عمیق در چند سال گذشته و چند تحلیل تجربی از یادگیری انتقال عمیق برای کشف بهترین روش برای استفاده از یادگیری انتقال عمیق در سناریوهای مختلف بررسی می کند. علاوه بر این ، محدودیت های یادگیری انتقال عمیق (معضل فراموشی فاجعه بار و مدلهای از پیش آموزش دیده بیش از حد مغرضانه ) همراه با راه حل های احتمالی مورد بحث قرار می گیرند.

Keywords:

یادگیری ماشین , یادگیری عمیق , یادگیری انتقالی و یادگیری انتقالی عمیق