Bayesian Transfer Learning: Ein Überblick über probabilistische graphische Modelle für Transferlernen

Transferlernen, bei dem das Verhalten des Extrahierens übertragbaren Wissens aus der Quelle(n) und der Wiederverwendung dieses Wissens für die Ziel-Domäne zu einem Forschungsbereich von großem Interesse im Bereich der künstlichen Intelligenz geworden ist. Probabilistische graphische Modelle (PGMs) haben sich als leistungsfähiges Werkzeug zur Modellierung komplexer Systeme mit vielen Vorteilen erwiesen, z. B. der Fähigkeit, Unsicherheiten zu behandeln, und einer guten Interpretierbarkeit. Angesichts des Erfolgs dieser beiden oben genannten Forschungsbereiche erscheint es natürlich, PGMs im Transferlernen anzuwenden. Obwohl in der Literatur bereits einige hervorragende PGMs speziell für Transferlernen existieren, wird das Potenzial von PGMs für dieses Problem noch grob unterschätzt. Dieses Papier zielt darauf ab, die Entwicklung von PGMs für Transferlernen zu fördern, indem 1) die Pilotstudien zu speziell für Transferlernen entwickelten PGMs untersucht werden, d.h. die bestehenden Mechanismen analysiert und zusammengefasst werden, die insbesondere für den Wissensaustausch konzipiert sind; 2) Beispiele für reale Transferprobleme diskutiert werden, bei denen bestehende PGMs erfolgreich angewendet wurden; und 3) mehrere potenzielle Forschungsrichtungen zum Transferlernen unter Verwendung von PGM erkundet werden.