Aprendizado de Transferência Bayesiano: Uma Visão Geral dos Modelos Gráficos Probabilísticos para Aprendizado de Transferência

O aprendizado de transferência, onde se extrai conhecimento transferível do(s) domínio(s) de origem e reutiliza esse conhecimento para o domínio alvo, tornou-se uma área de pesquisa de grande interesse no campo da inteligência artificial. Os modelos gráficos probabilísticos (MGPs) foram reconhecidos como uma ferramenta poderosa para modelar sistemas complexos, com muitas vantagens, como a capacidade de lidar com incerteza e possuir boa interpretabilidade. Considerando o sucesso dessas duas áreas de pesquisa mencionadas, parece natural aplicar os MGPs ao aprendizado de transferência. No entanto, embora já existam alguns MGPs específicos para aprendizado de transferência na literatura, o potencial dos MGPs para esse problema ainda é grossamente subestimado. Este artigo tem como objetivo impulsionar o desenvolvimento de MGPs para aprendizado de transferência, examinando 1) os estudos piloto sobre MGPs específicos para aprendizado de transferência, ou seja, analisando e resumindo os mecanismos existentes particularmente projetados para a transferência de conhecimento; 2) discutindo exemplos de problemas de transferência do mundo real onde MGPs existentes foram aplicados com sucesso; e 3) explorando várias direções de pesquisa potenciais sobre aprendizado de transferência utilizando MGP.