เปรียบเทียบวิธี

	Bayesian Transfer Learning	Bayesian Gaussian Process
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006–2010	1978–2006
ผู้ริเริ่ม	Raina, R.; Ng, A. Y.; Koller, D. (and subsequent community)	O'Hagan, A.; Neal, R. M.; Rasmussen, C. E. & Williams, C. K. I.
ประเภท	Probabilistic transfer / domain adaptation framework	Probabilistic kernel model
แหล่งต้นตำรับ	Raina, R., Ng, A. Y., & Koller, D. (2006). Constructing informative priors using transfer learning. In Proceedings of the 23rd International Conference on Machine Learning (ICML), pp. 713–720. ACM.	Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9
ชื่อเรียกอื่น	BTL, Bayesian domain adaptation, probabilistic transfer learning, Bayesian knowledge transfer	GP regression, GPR, Gaussian process model, GP classifier
ที่เกี่ยวข้อง	4	3
สรุป	Bayesian Transfer Learning is a probabilistic framework that uses knowledge from a data-rich source domain to construct informative priors for a model trained on a data-scarce target domain. By encoding source-domain knowledge as prior distributions over parameters, the framework lets the model generalize well on the target task even with very limited labeled examples.	A Bayesian Gaussian Process (GP) places a probability distribution directly over functions, using a kernel to encode similarity between inputs. After observing data, Bayes' rule converts this prior into a posterior that yields not just point predictions but calibrated uncertainty estimates at every new input — making it one of the most principled probabilistic models in machine learning.