Aprendizado de Transferência Online com Múltiplas Fontes Homogêneas ou Heterogêneas

As técnicas de aprendizado de transferência têm sido amplamente aplicadas em aplicações onde dados rotulados em um domínio-alvo são difíceis de obter, enquanto muitos dados rotulados estão disponíveis em domínios de origem relacionados. Na prática, pode haver múltiplos domínios de origem que estão relacionados ao domínio-alvo, e como combiná-los ainda é um problema em aberto. Neste artigo, buscamos aproveitar dados rotulados de múltiplos domínios de origem para melhorar o desempenho de classificação em um domínio-alvo onde os dados-alvo são recebidos de forma online. Este problema é conhecido como o problema de aprendizado de transferência online. Para alcançar isso, propomos novos paradigmas de aprendizado de transferência online nos quais os domínios de origem e de destino são aproveitados adaptativamente. Consideramos duas configurações de problema diferentes: aprendizado de transferência homogêneo e aprendizado de transferência heterogêneo. Os métodos propostos funcionam de maneira online, onde os pesos dos domínios de origem são ajustados dinamicamente. Fornecemos os limites de erro dos métodos propostos e realizamos experimentos abrangentes em conjuntos de dados do mundo real para demonstrar a eficácia dos algoritmos propostos.