Apprendimento per trasferimento

L'apprendimento trasferito (noto anche come trasferimento induttivo) è un metodo di apprendimento automatico che si concentra sul riutilizzo della conoscenza acquisita per un compito diverso ma correlato. L'apprendimento tramite trasferimento viene utilizzato quando è disponibile una quantità limitata di dati e l'obiettivo è apprendere da un dominio di origine mentre il dominio di destinazione è già noto. Esistono due tipi principali di apprendimento tramite trasferimento, trasferimento induttivo e trasferimento trasduttivo.

Il trasferimento induttivo si verifica quando la fonte e la destinazione sono problemi distinti ma utilizzano le stesse funzionalità/input e viene utilizzato quando sono disponibili solo dati di origine limitati. Il trasferimento induttivo viene tipicamente utilizzato in contesti di apprendimento supervisionato, dove l'obiettivo è applicare la conoscenza da un dominio di origine a un dominio di destinazione.

Il trasferimento trasduttivo si verifica quando i domini di origine e di destinazione hanno input simili ma non identici e viene utilizzato quando alcuni dati di origine sono disponibili ma non sufficienti per un set di addestramento completo. In questo caso, i modelli di origine e di destinazione apprendono da più fonti, come la conoscenza degli esperti o il linguaggio naturale.

La ricerca sul trasferimento dell’apprendimento è iniziata a metà degli anni ’90 con il lavoro volto a studiare le modalità di trasferimento della conoscenza da fonti di input. Un altro approccio comune per trasferire l’apprendimento consiste nel pre-addestrare una rete neurale su set di dati di grandi dimensioni e quindi ottimizzare la rete su set di dati più piccoli. L'obiettivo è aumentare la generalizzazione e la precisione senza raccogliere grandi quantità di dati o riutilizzare un modello pre-addestrato di grandi dimensioni per una nuova attività.

Il trasferimento dell’apprendimento è diventato sempre più importante nel campo della visione artificiale, dell’elaborazione del linguaggio naturale e di altre applicazioni di apprendimento automatico a causa della presenza di grandi set di dati. I ricercatori stanno cercando sempre più spesso come applicare il transfer learning a problemi più complessi come la robotica e l’intelligenza artificiale.

L’apprendimento basato sul trasferimento è una tecnica cruciale per raggiungere l’intelligenza artificiale ed è un’area chiave di ricerca nel settore. Con la crescente domanda di set di dati e potenza di calcolo, il trasferimento dell’apprendimento continuerà a essere un’importante area di ricerca poiché i ricercatori cercano di aumentare la precisione e ridurre il costo della raccolta dei dati.