Přenosové učení (také známé jako induktivní přenos) je metoda strojového učení, která se zaměřuje na opětovné použití získaných znalostí pro jiný, ale související úkol. Přenosové učení se používá, když je k dispozici omezené množství dat a cílem je učit se ze zdrojové domény, zatímco cílová doména je již známa. Existují dva hlavní typy přenosového učení, induktivní přenos a transduktivní přenos.
Indukční přenos nastává, když zdroj a cíl představují odlišné problémy, ale používají stejné funkce/vstupy, a používá se, když jsou k dispozici pouze omezená zdrojová data. Induktivní přenos se obvykle používá v prostředí výuky pod dohledem, kde je cílem aplikovat znalosti ze zdrojové domény do cílové domény.
Transduktivní přenos je, když zdrojová a cílová doména mají podobné, ale ne identické vstupy, a používá se, když jsou k dispozici některá zdrojová data, ale nestačí pro celou trénovací sadu. V tomto případě se zdrojový a cílový model učí z více zdrojů, jako jsou expertní znalosti nebo přirozený jazyk.
Výzkum transferového učení začal v polovině 90. let 20. století prací zaměřenou na způsoby přenosu znalostí ze vstupních zdrojů. Dalším běžným přístupem k učení přenosu je předtrénovat neuronovou síť na velkých souborech dat a poté doladit síť na menších souborech dat. Cílem je zvýšit zobecnění a přesnost bez shromažďování velkého množství dat nebo znovu použít velký předem trénovaný model pro nový úkol.
Přenosové učení se stává stále důležitějším v oblasti počítačového vidění, zpracování přirozeného jazyka a dalších aplikací strojového učení kvůli přítomnosti velkých datových souborů. Výzkumníci stále častěji hledají, jak aplikovat přenosové učení na složitější problémy, jako je robotika a umělá inteligence.
Přenosové učení je klíčovou technikou pro dosažení umělé inteligence a je klíčovou oblastí výzkumu v této oblasti. S rostoucí poptávkou po souborech dat a výpočetním výkonu bude přenosové učení i nadále důležitou oblastí výzkumu, protože výzkumníci usilují o zvýšení přesnosti a snížení nákladů na sběr dat.