你有沒有想過，連模型搜尋都能把以前的經驗帶過來用？ 你可以把 AutoML 遷移學習想成「自動找模型時，也把舊任務的經驗搬過來」 它會拿過去任務的超參數、架構或評分結果，幫新任務縮小搜尋範圍 這樣能減少盲目試錯，讓自動化搜尋更快收斂
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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」。