AutoML遷移學習 是什麼？

Transfer Learning for AutoML — AutoML遷移學習 的完整解釋

AutoML遷移學習利用預訓練模型知識，加速AutoML流程，減少訓練數據需求，提升模型泛化能力，並降低計算成本。

容易混淆

AutoML遷移學習 vs 一般遷移學習 一般遷移學習常在模型層面搬知識 AutoML 遷移學習更常搬搜尋經驗 最關鍵的區別：搬的是模型能力還是搜尋策略

AutoML遷移學習 vs 手動調參 AutoML 讓系統自己找 手動調參靠人經驗判斷 最關鍵的區別：自動化和人工決策

AutoML遷移學習 vs 熱啟動 熱啟動只是從舊結果開始 遷移學習還會利用舊任務結構化知識 最關鍵的區別：只是起跑點，還是整個搜尋邏輯

記住這句就好

把舊專案的調參經驗，拿來幫新專案少走冤枉路。

實際案例

影像分類搜尋 系統先看過去類似資料集上哪種架構常表現好，再優先試那些模型

表格資料 AutoML 新資料集很小時，系統會借用類似任務的超參數分布來縮小搜尋空間

算法與應用

| 歷史知識 | 把過去任務表現帶入新任務 | 減少亂試 | | 搜尋空間 | 先縮小可能的架構和參數 | 節省時間和算力 | | 任務相似度 | 越像的任務越值得互相借鑑 | 差太遠會失效 | | 熱啟動 | 從舊結果起步 | 常是 AutoML 的一部分 |

情境判斷

Q1（直覺題）：你想讓自動搜尋模型更快找到好結果，這個方向有用嗎？ → 有用，因為它能少試很多明顯不合適的組合。

Q2（判斷題）：如果新資料和舊資料完全不同，還能直接沿用嗎？ → 不一定，任務差異太大時，遷移來的搜尋經驗可能會失準。

常見問題

它一定比從零 AutoML 快嗎？

通常會快一些，但前提是舊任務和新任務真的相近。

它只能用在深度學習嗎？

不一定，傳統機器學習的模型選擇也能借用這種想法。

這和元學習有關嗎？

有些方法會交疊，因為都在學「如何學得更快」。