Transfer Learning – wykorzystanie wiedzy z jednego modelu w innym zadaniu.

Transfer learning to metoda w dziedzinie sztucznej inteligencji, polegająca na wykorzystaniu wiedzy i parametrów wytrenowanego modelu w celu przyspieszenia i poprawy efektywności uczenia się w innym, często pokrewnym zadaniu. Podejście to umożliwia przeniesienie doświadczenia zdobytego podczas rozwiązywania jednego problemu na nowy problem, co może znacznie zmniejszyć zapotrzebowanie na dane treningowe oraz skrócić czas trenowania modelu.

W praktyce transfer learning polega na adaptacji wcześniej wyuczonej reprezentacji, np. cech ekstrakcji lub wag sieci neuronowej, do nowego zadania, często z zastosowaniem dalszego dostrajania (fine-tuning) modelu. Technika ta znalazła szerokie zastosowanie zwłaszcza w dziedzinach, gdzie dostęp do dużych zbiorów danych jest ograniczony, na przykład w rozpoznawaniu obrazów, przetwarzaniu języka naturalnego czy medycynie. Dzięki transfer learningowi modele mogą efektywniej uczyć się nowych zadań, bazując na już zgromadzonych informacjach.