التعلم الانتقالي

يُعدّ التعلّم بالنقل ( TL ) أسلوبًا في مجال التعلّم الآلي (ML) يتم فيه إعادة استخدام المعرفة المكتسبة من مهمة ما لتحسين الأداء في مهمة ذات صلة. ^{[ 1 ]} على سبيل المثال، في تصنيف الصور ، يمكن تطبيق المعرفة المكتسبة أثناء تعلّم التعرّف على السيارات عند محاولة التعرّف على الشاحنات. يرتبط هذا الموضوع بالأدبيات النفسية حول نقل التعلّم ، على الرغم من أن الروابط العملية بين المجالين محدودة. إن إعادة استخدام أو نقل المعلومات من مهام تم تعلّمها سابقًا إلى مهام جديدة لديه القدرة على تحسين كفاءة التعلّم بشكل كبير. ^{[ 2 ]}

بما أن التعلم بالنقل يستخدم التدريب باستخدام وظائف هدف متعددة، فإنه يرتبط بالتعلم الآلي الحساس للتكلفة والتحسين متعدد الأهداف . ^{[ 3 ]}

في عام 1976، نشر بوزينوفسكي وفولغوسي بحثًا يتناول التعلم بالنقل في تدريب الشبكات العصبية . ^{[ 4 ] [ 5 ]} يقدم البحث نموذجًا رياضيًا وهندسيًا للموضوع. وفي عام 1981، تناول تقرير تطبيق التعلم بالنقل على مجموعة بيانات من الصور التي تمثل أحرفًا على شاشات الحاسوب، مُظهرًا تجريبيًا التعلم بالنقل الإيجابي والسلبي. ^{[ 6 ]}

في عام 1992، صاغ لورين برات خوارزمية النقل القائمة على التمييز (DBT). ^{[ 7 ]}

بحلول عام ١٩٩٨، تطور هذا المجال ليشمل التعلم متعدد المهام ، ^{[ ٨ ]} إلى جانب أسس نظرية أكثر رسمية. ^{[ ٩ ]} ومن بين المنشورات المؤثرة في مجال التعلم الانتقالي كتاب " التعلم من أجل التعلم" الصادر عام ١٩٩٨، ^{[ ١٠ ]} ودراسة استقصائية أجريت عام ٢٠٠٩ ^{، [ ١١ ]} ودراسة استقصائية أخرى أجريت عام ٢٠١٩. ^{[ ١٢ ]}

قال نغ في برنامجه التعليمي NIPS 2016 ^{[ 13 ] [ 14 ]} أن التعلم الآلي سيصبح المحرك التالي للنجاح التجاري للتعلم الآلي بعد التعلم الخاضع للإشراف .

في ورقة بحثية لعام 2020 بعنوان "إعادة التفكير في التدريب المسبق والتدريب الذاتي"، ^{[ 15 ]} أفاد زوف وآخرون أن التدريب المسبق يمكن أن يضر بالدقة، ويدعون إلى التدريب الذاتي بدلاً من ذلك.

يُعرَّف التعلم النقل من حيث المجالات والمهام. المجال${\displaystyle {\mathcal {D}}}$يتكون من: مساحة مميزة${\displaystyle {\mathcal {X}}}$وتوزيع احتمالي هامشي${\displaystyle P(X)}$، أين${\displaystyle X=\{x_{1},...,x_{n}\}\in {\mathcal {X}}}$بالنظر إلى مجال محدد،${\displaystyle {\mathcal {D}}=\{{\mathcal {X}},P(X)\}}$تتكون المهمة من عنصرين: فضاء التصنيفات${\displaystyle {\mathcal {Y}}}$ووظيفة تنبؤية موضوعية${\displaystyle f:{\mathcal {X}}\rightarrow {\mathcal {Y}}}$الوظيفة${\displaystyle f}$يُستخدم للتنبؤ بالتصنيف المقابل${\displaystyle f(x)}$من مثيل جديد${\displaystyle x}$هذه المهمة، المشار إليها بـ${\displaystyle {\mathcal {T}}=\{{\mathcal {Y}},f(x)\}}$يتم تعلمها من بيانات التدريب التي تتكون من أزواج${\displaystyle \{x_{i},y_{i}\}}$، أين${\displaystyle x_{i}\in {\mathcal {X}}}$و${\displaystyle y_{i}\in {\mathcal {Y}}}$[ ^{16 ]​}

بالنظر إلى مجال المصدر${\displaystyle {\mathcal {D}}_{S}}$ومهمة التعلم${\displaystyle {\mathcal {T}}_{S}}$، مجال مستهدف${\displaystyle {\mathcal {D}}_{T}}$ومهمة التعلم${\displaystyle {\mathcal {T}}_{T}}$، أين${\displaystyle {\mathcal {D}} _ {S}\neq {\mathcal {D}} _ {T}}$، أو${\displaystyle {\mathcal {T}}_{S}\neq {\mathcal {T}}_{T}}$يهدف التعلم بالنقل إلى المساعدة في تحسين تعلم الوظيفة التنبؤية المستهدفة${\displaystyle f_{T}(\cdot )}$في${\displaystyle {\mathcal {D}}_{T}}$باستخدام المعرفة في${\displaystyle {\mathcal {D}}_{S}}$و${\displaystyle {\mathcal {T}}_{S}}$[ ^{16 ]​}

تتوفر خوارزميات التعلم بالنقل في شبكات منطق ماركوف ^{[ 17 ]} وشبكات بايز ^{[ 18 ]} . وقد طُبِّق التعلم بالنقل في اكتشاف الأنواع الفرعية للسرطان ^{[ 19 ]} ، واستخدام المباني ^{[ 20 ] [ 21 ]} ، ولعب الألعاب بشكل عام ^{[ 22 ]} ، وتصنيف النصوص ^{[ 23 ] [ 24 ]} ، والتعرف على الأرقام ^{[ 25 ]} ، والتصوير الطبي، وتصفية البريد العشوائي ^{[ 26 ]} .

في عام 2020، اكتُشف أنه نظرًا لتشابه طبيعتهما الفيزيائية، يُمكن تطبيق التعلم النقل بين إشارات تخطيط كهربية العضل (EMG) من العضلات وتصنيف سلوكيات موجات الدماغ المُسجلة بتخطيط كهربية الدماغ (EEG)، بدءًا من مجال التعرف على الإيماءات وصولًا إلى مجال التعرف على الحالة الذهنية. ولوحظ أن هذه العلاقة تعمل في كلا الاتجاهين، مما يُشير إلى إمكانية استخدام موجات الدماغ المُسجلة بتخطيط كهربية الدماغ (EEG) لتصنيف إشارات تخطيط كهربية العضل (EMG). ^{[ 27 ]} وأظهرت التجارب تحسنًا في دقة الشبكات العصبية والشبكات العصبية الالتفافية ^{[ 28 ]} من خلال التعلم النقل، سواءً قبل بدء عملية التعلم (مقارنةً بتوزيع الأوزان العشوائي القياسي) أو في نهاية عملية التعلم (عند الوصول إلى حالة التقارب). أي أن النتائج تتحسن عند تطبيقها على مجال آخر. علاوة على ذلك، يُمكن للمستخدم النهائي لنموذج مُدرَّب مسبقًا تغيير بنية الطبقات المتصلة بالكامل لتحسين الأداء. ^{[ 29 ]}

• التهجين (الخوارزمية الجينية)
• تكييف المجال
• اللعب العام
• التعلم متعدد المهام
• تحسين تعدد المهام
• نقل التعلم
• التعلم بدون أمثلة
• التعلم باستخدام عدد قليل من الأمثلة
• تعلم الميزات
• الصلاحية الخارجية

• ثرون، سيباستيان؛ برات، لوريان (6 ديسمبر 2012). تعلم كيف تتعلم . سبرينغر ساينس آند بيزنس ميديا. ISBN 978-1-4615-5529-2.