要約
転移学習は、ラベルが豊富に付与されたドメインから、類似しているが異なる且つラベルが限定的または存在しないドメインへ知識を転送することを目指しています。しかしながら、既存の学習ベースの手法はしばしば良好な結果を得るためにはモデル選択とハイパーパラメータ調整が必要であり、これが複雑さを増しています。さらに、ターゲットドメインではラベルがほとんどないため、ハイパーパラメータ調整のためのクロスバリデーションは不可能です。これは特にウェアラブル機器などの計算リソースに制約のあるデバイスにおいて、転移学習の広範な適用を制限します。本論文では、モデル選択やハイパーパラメータ調整を必要とせず、競合する性能を達成する実用的な転移学習手法（EasyTL）を提案します。ドメイン内の構造を利用することで、EasyTLはパラメトリックでない転移特徴量と分類器を学習することができます。広範な実験により、最新の伝統的な手法や深層学習手法と比較して、EasyTLはオッカムの剃刀の原則を満たすことが示されました：それは実装と使用が極めて容易でありながら、分類精度において同等かそれ以上の性能を達成し、計算効率も大幅に優れています。また、EasyTLが既存の転移特徴量学習手法の性能向上にも寄与することが示されています。