Welche Beschreibung trifft auf Transfer Learning zu, bei dem ein mit großen Datenmengen trainiertes Modell für eine andere Aufgabe mit wenigen Daten genutzt wird?

Antwort: A. Ausgehend von den Gewichten des trainierten Modells wird die Ausgabeschicht für die neue Aufgabe ersetzt, oder ein Teil des Modells oder das ganze Modell wird mit den neuen Daten nachtrainiert (Fine-Tuning)

Transfer Learning nutzt die Merkmale, die ein Modell bei einer Aufgabe gelernt hat, für eine andere Aufgabe. Die eingangsnahen Schichten eines mit sehr vielen Bildern trainierten CNN können zum Beispiel allgemeine Merkmale wie Kanten und Texturen extrahieren; daher wird nur die Ausgabeschicht ersetzt und für die neue Aufgabe trainiert, oder das ganze Netz wird mit kleiner Lernrate nachtrainiert (Fine-Tuning). So lässt sich mit weniger Daten und Rechenaufwand als beim Training von Grund auf leicht eine hohe Leistung erreichen; das Verfahren wird auch eingesetzt, um Sprachmodelle an bestimmte Anwendungen anzupassen.