导读 但是，它也有权衡。如果预训练的神经网络存在安全漏洞，则使用它作为迁移学习基础的 AI 模型会继承这些漏洞。例如，基础模型可能无法抵御
但是，它也有权衡。如果预训练的神经网络存在安全漏洞，则使用它作为迁移学习基础的 AI 模型会继承这些漏洞。
例如，基础模型可能无法抵御对抗性攻击，精心设计的输入示例会迫使 AI 以不稳定的方式改变其行为。如果恶意行为者设法为基础模型开发了一个对抗性示例，他们的攻击将适用于从中派生的大多数 AI 模型。芝加哥大学、加州大学圣克拉拉分校和弗吉尼亚理工大学的研究人员在去年的 Usenix 安全研讨会上发表的一篇论文中展示了这一点。
此外，在某些领域，例如教 AI 玩游戏，迁移学习的使用非常有限。这些人工智能模型经过强化学习训练，这是人工智能的一个分支，计算量非常大，需要大量的反复试验。在强化学习中，大多数新问题都是独一无二的，需要自己的 AI 模型和训练过程。
但总而言之，对于大多数深度学习应用程序，例如图像分类和自然语言处理，您有可能通过大量巧妙的迁移学习来走捷径。