Aprendizaje por transferencia

Aprendizaje automático
Técnica que reutiliza representaciones o parámetros aprendidos en una tarea para resolver otra tarea relacionada.
Fecha de última modificación

30 de agosto de 2026

borrador tecnica actualizada 30 ago 2026

Sinónimos: Transfer learning

Definición ampliada

El aprendizaje por transferencia, o transfer learning, reutiliza en una tarea objetivo el conocimiento adquirido por un modelo en una tarea de origen. La transferencia puede consistir en conservar representaciones, inicializar parámetros o adaptar parte del modelo. Su utilidad depende de que exista una relación aprovechable entre los dominios o las tareas [1].

Contexto histórico

La idea de transferir conocimiento entre tareas precede al aprendizaje profundo, pero ganó importancia práctica con los modelos preentrenados. Primero se extendió en visión por computador y después en procesamiento del lenguaje, donde una misma base puede adaptarse a múltiples problemas [1].

Importancia actual

A fecha de agosto de 2026, el aprendizaje por transferencia sigue siendo una vía habitual para especializar modelos con menos datos y cómputo que un entrenamiento desde cero. También obliga a examinar si los sesgos y limitaciones del modelo de origen se trasladan a la nueva tarea.

Aplicaciones

Generales

  • Adaptar un clasificador visual a nuevas categorías.
  • Especializar un modelo de lenguaje para una tarea o dominio.
  • Reutilizar representaciones cuando hay pocos datos etiquetados.

Sanitarias

  • Adaptar un modelo de imágenes a una modalidad o enfermedad concreta.
  • Especializar representaciones lingüísticas con literatura biomédica o texto clínico [2].
  • Explorar tareas con cohortes pequeñas, manteniendo una validación independiente.

Limitaciones

  • Puede producir transferencia negativa si origen y destino difieren demasiado.
  • Hereda sesgos, errores y restricciones de los datos de origen.
  • Un ajuste con pocos casos puede sobreajustar el modelo.
  • El rendimiento debe comprobarse en la población y el contexto de uso finales.

Ejemplos

Una red entrenada con imágenes generales puede servir como punto de partida para clasificar imágenes médicas. La reutilización reduce el coste inicial, pero no demuestra por sí sola que la representación sea clínicamente válida.

Relacionados

Referencias

1.
Pan SJ, Yang Q. A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering. 2010;22(10):1345-1359. doi: 10.1109/TKDE.2009.191
2.
Lee J, Yoon W, Kim S, Kim D, Kim S, So CH, et al. BioBERT: A Pre-Trained Biomedical Language Representation Model for Biomedical Text Mining. Bioinformatics. 2020;36(4):1234-1240. doi: 10.1093/bioinformatics/btz682
Volver arriba