Online Transfer Learning (Streaming Transfer Learning)

Klassisches Transfer Learning geht davon aus, dass alle Ziel-Domänen-Daten vor dem Training vorliegen. In vielen realen Szenarien – Sensorströme, Live-Benutzerinteraktionen, Finanz-Ticks – treffen Daten kontinuierlich ein, und man muss sofort Vorhersagen treffen, bevor Labels akkumuliert werden. Online Transfer Learning löst dieses Problem, indem es mit Wissen beginnt, das aus einer verwandten, bereits gelernten Quell-Domäne entlehnt wurde, und dieses Wissen dann schrittweise mit jedem neuen Ziel-Beispiel verfeinert. Die Quell-Domäne dient als Vorsprung, sodass der Lerner bereits ab der ersten Beobachtung nützlich ist, selbst wenn gelabelte Ziel-Daten knapp sind.