Aprendizaje por transferencia en línea con múltiples fuentes homogéneas o heterogéneas

Las técnicas de aprendizaje por transferencia se han aplicado ampliamente en aplicaciones donde los datos etiquetados en un dominio objetivo son difíciles de obtener mientras que hay muchos datos etiquetados disponibles en dominios fuente relacionados. En la práctica, puede haber múltiples dominios fuente que están relacionados con el dominio objetivo, y cómo combinarlos sigue siendo un problema abierto. En este artículo, buscamos aprovechar los datos etiquetados de múltiples dominios fuente para mejorar el rendimiento de la clasificación en un dominio objetivo donde los datos objetivo se reciben de manera en línea. Este problema se conoce como el problema de aprendizaje por transferencia en línea. Para lograr esto, proponemos nuevos paradigmas de aprendizaje por transferencia en línea en los que los dominios fuente y objetivo se aprovechan de manera adaptativa. Consideramos dos configuraciones de problemas diferentes: aprendizaje por transferencia homogéneo y aprendizaje por transferencia heterogéneo. Los métodos propuestos funcionan de manera en línea, donde los pesos de los dominios fuente se ajustan dinámicamente. Proporcionamos los límites de error de los métodos propuestos y realizamos experimentos exhaustivos en conjuntos de datos del mundo real para demostrar la efectividad de los algoritmos propuestos.