3 Học chuyển giao dựa trên đặc trưng
4.2.2 Chuyển giao thông qua các mô hình Bayes
Các phương pháp đã nói ở trên tìm hiểu những cái chung trước đó dựa trên GP, trong khi, những cái trước đó có thể được chuyển giao từ các miền nguồn. Các mô hình Bayes khác cũng có thể được sử dụng cho học chuyển giao dựa trên mô hình, mà chúng tôi sẽ xem xét trong phần này. Li và các cộng sự (2006) đề xuất một thuật toán chuyển giao những điều biết trước từ một số miền nguồn (cụ thể hơn là các thể loại trực quan) để ước tính phân phối tham số của một số đối tượng miền đích trong ảnh dựa trên phương pháp Bayes. Bằng cách chuyển giao sự ưu tiên, thuật toán cho phép học một danh mục mới bằng cách sử dụng một hoặc một vài mẫu. Thông tin chung được sử dụng từ những điều đã học từ trước. Cách tiếp cận Bayes đối với suy luận thống kê, dựa trên ước tính xác suất sau đó là xác suất có điều kiện của các đại lượng chưa biết khi đưa ra các quan sát. Phân phối sau trích xuất thông tin trong dữ liệu và cung cấp một bản tóm tắt đầy đủ về sự không chắc chắn về những điều chưa biết θ. Kiến thức trước về các tham số được tóm tắt bằng đại lượngp(θ), khả năng là p(y|θ)và kiến thức cập nhật được chứa trong đại lượng saup(θ|y)như được định nghĩa bởi định lý Bayes:
p(θ|y) = p(y|θ)p(θ)
p(y)
Ảnh hưởng tương đối của dữ liệu trước và dữ liệu tin tưởng được cập nhật sau đó dựa vào lượng dữ liệu được trao trước đó (mức độ thông tin trước đó) và độ lớn của dữ liệu. Cận biên khả năng hoặc bằng chứng mô hình p(y) là xác suất quan sát dữ liệu y được đưa ra một mô hình cụ thể theo nghiên cứu, đó là xác suất cấu trúc ngẫu nhiên của dữ liệu mạng được quan sát được mô hình xác định. Thật không may, cận biên khả năng nói chung rất khó tính toán và các giải pháp chính xác chỉ được biết đến với một lớp phân phối nhỏ. Phân tích Bayes có nhiều ưu điểm: Nó cung cấp thông tin chẩn đoán phong phú về số lượng chưa biết, kiểm soát việc thăm dò các giả định trước về các tham số mô hình. Suy luận Bayes sử dụng các khoảng xác suất (mật độ cao nhất dựa trên lượng tử) được gọi là các khoảng tin cậy để xác định xác suất của tham số nằm giữa hai điểm. Cách tiếp cận thường xuyên theo kiểu cổ điển không thể dự đoán rằng giá trị thực của tham số có xác suất cụ thể nằm trong khoảng tin cậy ước tính dựa trên dữ liệu thu được. Tóm lại, ba bước suy luận Bayes có thể được tóm tắt như sau:
• Chỉ định mô hình xác suất cho các giá trị tham số chưa biết bao gồm một số kiến thức trước đó về các tham số,
• Cập nhật kiến thức về các tham số chưa biết bằng cách điều chỉnh mô hình xác suất này trên dữ liệu quan sát
• Đánh giá sự phù hợp của mô hình với dữ liệu và độ nhạy của kết luận với các giả định.