초록
전이 학습은 라벨이 잘 부착된 영역에서 유사하지만 다른 영역으로 지식을 전송하는 것을 목표로 합니다. 이 영역은 제한적 또는 전혀 라벨이 없는 경우가 많습니다. 불행히도, 기존의 학습 기반 방법들은 좋은 결과를 얻기 위해 집중적인 모델 선택과 하이퍼파라미터 조정을 필요로 합니다. 또한, 대상 영역에 라벨이 거의 없으므로 하이퍼파라미터 조정을 위한 교차 검증이 가능하지 않습니다. 이는 특히 웨어러블 장치와 같은 계산 자원이 제한된 장치에서 전이 학습의 넓은 적용 범위를 제약합니다. 본 논문에서는 모델 선택과 하이퍼파라미터 조정을 필요로 하지 않으면서 경쟁력 있는 성능을 달성하는 실용적인 Easy Transfer Learning (EasyTL) 접근법을 제안합니다. EasyTL은 영역 내 구조를 활용하여 비매개변수 전이 특징과 분류기를 학습할 수 있습니다. 광범위한 실험 결과는 최신 전통적 및 딥러닝 방법들과 비교하여 EasyTL이 Occam's Razor 원칙을 만족함을 보여줍니다: 구현과 사용이 매우 쉽고, 분류 정확도 측면에서 유사하거나 더 나은 성능을 보이며, 계산 효율성이 훨씬 우수합니다. 또한, EasyTL이 기존의 전이 특징 학습 방법들의 성능을 향상시킬 수 있음이 입증되었습니다.