来自PaperWeekly的CSDN 文章
14 篇论文为你呈现「迁移学习」研究全貌 | 论文集精选 #04
迁移学习对于人类来说,就是掌握举一反三的学习能力。对于计算机而言,所谓迁移学习,就是从一个或多个源任务(source task)中抽取知识和经验,然后将其应用于一个有相关性的目标领域(target domain)。
(1)Domain adaptation via transfer component analysis
论文链接:http://www.paperweekly.site/papers/793
迁移学习领域公认的经典工作,作者团队来自香港科技大学 Qiang Yang 教授团队,推荐所有做迁移学习研究的同学都看一看。
(2)Geodesic flow kernel for unsupervised domain adaptation
论文链接:http://www.paperweekly.site/papers/794
迁移学习领域代表性文章——GFK(Geodesic flow kernel)。GFK 方法首先解决 SGF 的问题:如何确定 source 和 target 路径上中间点的个数。它通过提出一种 kernel 方法,利用路径上的所有点的积分,把这个问题解决了。这是第一个贡献。然后,它又解决了第二个问题:当有多个 source 的时候,我们如何决定使用哪个 source 跟 target 进行迁移?GFK 通过提出 Rank of Domain 度量,度量出跟 target最近的 source,来解决这个问题。
(3)Transfer feature learning with joint distribution adaptation
论文链接:http://www.paperweekly.site/papers/795
迁移学习领域又一经典文章,是 TCA 的增强版本,推荐读。JDA 方法比较巧妙,同时适配两个分布,然后非常精巧地规到了一个优化目标里。用弱分类器迭代,最后达到了很好的效果,值得我们去学习。