fa یادگیری انتقالی چندمنبعی با تکیه بر مدل‌های از پیش آموزش‌دیده: رویکردی مبتنی بر قواعد فازی مقالات پردازش داده‌های رقمی Paper كاربردي Applicable در دنیای واقعی، اغلب با محدودیت در دسترسی به داده‌های منابع مختلف مواجه هستیم که فرآیند یادگیری را دشوار می‌سازد. این مقاله به چالش یادگیری انتقالی چندمنبعی در شرایطی می‌پردازد که دسترسی کامل به داده‌های برخی منابع امکان‌پذیر نیست و تنها مدل‌های از پیش آموزش‌دیده‌شده در دسترس هستند. برای مقابله با این محدودیت، روشی نوین ارائه شده است که با ترکیب شبکه‌های عصبی، خوشه‌بندی فازی و قواعد فازی تاکاگی-سوگنو، به انتقال دانش و مدیریت عدم قطعیت کمک می‌کند. استفاده از قواعد فازی امکان شناسایی الگوهای پیچیده و بهبود دقت پیش‌بینی‌ها در دامنه هدف را فراهم می‌سازد. این روش بر روی چهار مجموعه داده رگرسیونی ارزیابی شده و نتایج نشان می‌دهد که در شرایط دانش ناکافی و همراه با عدم قطعیت، عملکرد بهتری نسبت به سایر روش‌های پیشرفته دارد. یافته‌ها حاکی از اثربخشی روش پیشنهادی در بهره‌برداری از اطلاعات محدود منابع مختلف برای کاربردهای واقعی است. <span style="font-size:10pt"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><b>In recent years, multi-source transfer learning (MSTL) has emerged as a promising paradigm for leveraging knowledge from multiple domains to improve learning performance in a target domain. However, a critical challenge arises when access to raw data from some source domains is restricted or entirely unavailable&mdash;a situation common in real-world applications due to privacy regulations, data ownership constraints, storage limitations, or security concerns. In such scenarios, only pre-trained models from certain sources may be accessible, significantly complicating the transfer of knowledge and amplifying the uncertainty involved in downstream tasks. To address these limitations, this paper introduces a novel MSTL framework that synergistically integrates neural networks, fuzzy clustering techniques, and Takagi-Sugeno fuzzy inference systems. The proposed method is designed to enhance the robustness of knowledge transfer under partial observability conditions while effectively managing the inherent uncertainty that arises from incomplete source information. Fuzzy rules are leveraged to model complex and nonlinear relationships among data features and to enable interpretability and flexibility in the knowledge adaptation process. Through fuzzy clustering, latent structures within the available source model outputs are identified, supporting more accurate alignment between the source and target domains. Our method is evaluated on four benchmark regression datasets, where the target domain suffers from limited or uncertain source knowledge. Experimental results demonstrate that the proposed approach consistently outperforms several state-of-the-art MSTL methods, particularly in cases where the amount of accessible source data is insufficient. This superior performance highlights the effectiveness of combining fuzzy logic with neural models for uncertainty-aware transfer learning. Moreover, the approach shows strong generalization capabilities and practical potential for deployment in sensitive and data-constrained environments, such as healthcare, finance, and cybersecurity.</b></span></span></span><br> &nbsp; یادگیری انتقالی چند منبعی, قواعد فازی, تطبیق دامنه, مدل‌های از پیش آموزش‌دیده, قواعد فازی تاکاگی-سوگنو Multi-source transfer learning, fuzzy rules, domain adaptation, pre-trained models, Takagi-Sugeno fuzzy rules. 83 0 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2312-3&slc_lang=fa&sid=1 Masoome Gholizadeh معصومه قلی زاده Masoome_Gholizade@semnan.ac.ir 100319475328460013645 100319475328460013645 No Semnan Univeristy دانشگاه سمنان Hadi Soltanizadeh هادی سلطانی زاده h_soltanizadeh@semnan.ac.ir 100319475328460013646 100319475328460013646 Yes Semnan Univeristy دانشگاه سمنان Mohammad RahmaniManesh محمد رحمانی منش Rahmanimanesh@semnan.ac.ir 100319475328460013647 100319475328460013647 No Semnan Univeristy دانشگاه سمنان