Apprentissage par transfert
apprentissage automatique qui consiste à soumettre un modèle préentraîné à une nouvelle phase d’entraînement sur un volume réduit de données relatives à un domaine cible afin que le modèle ainsi obtenu génère des réponses pertinentes pour
Ne doit pas être confondu avec Transfert d'apprentissage.
L'apprentissage par transfert[1] (transfer learning en anglais) est l'un des champs de recherche de l'apprentissage automatique qui vise à transférer des connaissances d'une ou plusieurs tâches sources vers une ou plusieurs tâches cibles. Il peut être vu comme la capacité d’un système à reconnaître et appliquer des connaissances et des compétences, apprises à partir de tâches antérieures, sur de nouvelles tâches ou domaines partageant des similitudes.
Articles connexes
modifier- Adaptation de domaine[2],[3],[4],[5] (domain adaptation en anglais)
Notes et références
modifier- (en) Sinno Jialin Pan et Qiang Yang, « A Survey on Transfer Learning », IEEE Transactions on Knowledge and Data Engineering, vol. 22, no 10, , p. 1345-1359 (ISSN 1041-4347, e-ISSN 1558-2191, DOI 10.1109/TKDE.2009.191, lire en ligne).
- (en) Ievgen Redko, Emilie Morvant, Amaury Habrard, Marc Sebban et Younès Bennani, Advances in Domain Adaptation Theory, ISTE Press - Elsevier, , 187 p. (ISBN 978-1-78548-236-6, lire en ligne)
- (en) John S. Bridle et Stephen J. Cox, « RecNorm: Simultaneous normalisation and classification applied to speech recognition », Conference on Neural Information Processing Systems (NIPS), , p. 234–240
- (en) Shai Ben-David, John Blitzer, Koby Crammer, Alex Kulesza, Fernando Pereira et Jennifer Wortman Vaughan, « A theory of learning from different domains », Machine Learning Journal, no 79(1-2), , p. 151–175
- (en) Yishay Mansour, Mehryar Mohri et Afshin Rostamizadeh, « Domain Adaptation: Learning Bounds and Algorithms », Proceedings of Conference on Learning Theory (COLT),
