迁移学习——论文集推荐

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。