Aprendizado Estatístico Relacional explora um espaço de busca complexo de objetos, relações e parâmetros probabilísticos para otimizar um modelo. Para reduzir a complexidade da busca e os requisitos de disponibilidade de dados, trabalhos relacionados exploraram a transferência de um modelo aprendido em um domínio de origem para um domínio de destino. No entanto, esses modelos nem sempre estão disponíveis, e um aprendizado imperfeito no domínio de origem pode prejudicar o desempenho no domínio de destino. Este trabalho propõe utilizar as instâncias de um domínio de origem ao invés de um modelo aprendido nesse domínio. Uma solução simples, como concatenar instâncias de ambos os domínios, pode ser ineficaz devido ao impacto potencial de instâncias irrelevantes ou de baixa qualidade. Para abordar essa questão, nós tratamos a seleção de instâncias como sendo uma tarefa de alocação justa de recursos, onde as utilidades associadas às instâncias são parametrizadas para capturar a relevância de cada instância. Nós introduzimos o método chamado UTIL-BRDN, que aplica essa abordagem baseada em utilidades às Redes de Dependência Relacional com Boosting (RDN-Boost). Nossos resultados experimentais mostram que o UTIL-BRDN transfere conhecimento de forma eficaz reutilizando instâncias de outros domínios e é robusto contra negative transfer. Nossas contribuições incluem a introdução do aprendizado por transferência baseado em instâncias no contexto do aprendizado estatístico relacional, o desenvolvimento de uma abordagem baseada em utilidades para a seleção de instâncias, a extensão do RDN-Boost para lidar com múltiplos domínios e utilidades, e a realização de uma extensa avaliação empírica do método proposto.
.png)
.png)
