Transfer Öğrenme (Transfer Learning)

Diğer adları: Transfer Learning, Bilgi Transferi, Aktarımlı Öğrenme

Kısa Tanım

Transfer öğrenme, bir kaynak görevde (source task) öğrenilmiş temsillerin veya model ağırlıklarının, farklı fakat ilişkili bir hedef göreve (target task) aktarılması stratejisidir. Hedef alandaki etiketli veri kıtlığı sorununu, önceden edinilmiş genel öznitelik bilgisini yeniden kullanarak hafifletir.

Teknik Mantık

En yaygın yaklaşımda, ImageNet gibi büyük bir veri setinde önceden eğitilmiş (pretrained) bir ağın ilk katmanları dondurularak (freeze) düşük seviyeli öznitelik çıkarıcıları korunur; son katmanlar hedef veri setine göre ince ayar (fine-tuning) ile yeniden eğitilir. Dondurulacak katman sayısı, kaynak ve hedef alan benzerliğine göre belirlenir: yüksek benzerlikte yalnızca sınıflandırıcı katman, düşük benzerlikte daha derin katmanlar serbest bırakılır. Öğrenme hızı genellikle ince ayar aşamasında 10-100x küçültülür.

Kullanım Bağlamı

Etiketli verinin az olduğu, hesaplama bütçesinin kısıtlı olduğu veya sıfırdan eğitimin pratik olmadığı senaryolarda özellikle yararlı olabilir. Görüntü, metin ve konuşma alanlarında yaygın uygulamalardan biri haline gelmiştir.

Tarımsal Bağlam

Tarımda etiketli veri elde etmek maliyetli ve mevsime bağlıdır. ImageNet üzerinde eğitilmiş ResNet veya EfficientNet omurgalarının yaprak hastalığı, zararlı tespiti veya meyve kalite sınıflandırması için ince ayar yapılması standart bir uygulamadır. PlantVillage gibi genel bitki veri setlerinden türe özgü alt problemlere transfer de yaygındır.

Sık Karıştırılan Nokta

Transfer öğrenmenin her durumda performansı artıracağı varsayılır; ancak kaynak ve hedef alan arasındaki fark (domain gap) büyükse negatif transfer riski doğar. Tarımsal görüntüler ile ImageNet dağılımı arasındaki fark (doğal sahne vs. kontrollü yaprak fotoğrafı) bu riski somutlaştırır ve dikkatli katman seçimi gerektirir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği