เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนแบบรวมกลุ่ม	Random Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s	2001
ผู้ริเริ่ม	Various (consolidated in deep learning era, 2010s)	Breiman, L.
ประเภท	Ensemble of pre-trained / fine-tuned models	Ensemble (bagging of decision trees)
แหล่งต้นตำรับ	Ganaie, M. A., Hu, M., Malik, A. K., Tanveer, M., & Suganthan, P. N. (2022). Ensemble deep learning: A review. Engineering Applications of Artificial Intelligence, 115, 105151.	Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
ชื่อเรียกอื่น	transfer ensemble, multi-model transfer learning, ensemble of fine-tuned models, ETL	Rastgele Orman (Random Forest), rastgele orman, random decision forest, bagged tree ensemble
ที่เกี่ยวข้อง	6	4
สรุป	Ensemble Transfer Learning combines multiple models that were each pre-trained on a large source domain and then fine-tuned on a target task. By aggregating the predictions of several independently fine-tuned models, it achieves higher accuracy and robustness than any single transferred model alone, especially when the target dataset is small.	Random Forest is an ensemble learning method, introduced by Leo Breiman in 2001, that grows many decision trees on bootstrap samples of the data and combines their votes to produce strong classification and regression. By pooling many slightly different trees, it produces more accurate and more stable predictions than any single tree.