본 논문은 계산 비용이 많이 드는 실제 프로세스에 대한 효율적인 대안으로서 대리 모델(surrogate model)을 제시하며, 특히 효과적인 훈련을 위해 대량의 데이터셋이 필요한 한계를 극복하기 위해 사전 훈련된 대리 모델의 새로운 과제로의 전이 학습(transfer learning)에 초점을 맞추고 있습니다. 기존 연구에서는 주로 원천 및 목표 함수 간의 어파인 변환(affine transformation)을 가정하여 미분 가능 및 비미분 가능한 대리 모델의 전이 학습을 연구했지만, 본 논문은 선형 및 비선형 변화를 포함한 더 넓은 범위의 변환을 다룹니다. 구체적으로 베타 누적 분포 함수(beta cumulative distribution function)로 모델링된 알려지지 않은 입력 왜곡(input warping)과 불특정 어파인 변환의 조합을 고려하여 제한된 수의 목표 과제 데이터 포인트를 사용하여 이러한 변환을 최적화하고 전이 데이터셋에 대한 경험적 손실을 최소화하는 전이 학습 방법을 제시합니다. BBOB(Black-Box Optimization Benchmark) 테스트베드와 자동차 산업의 실제 전이 학습 과제에 제안된 방법을 검증하여, 특히 데이터가 부족한 시나리오에서 전이된 대리 모델이 원래 대리 모델과 전이 데이터셋을 사용하여 처음부터 구축된 대리 모델보다 성능이 훨씬 뛰어남을 보여줍니다.
