初学迁移学习,以这篇论文作为起点拓展自己在迁移学习领域的知识,以后会在这篇博客中添加新的内容或以超链接的形式不断更新,算是储存自己迁移学习知识的小仓库吧,肯定有很多错误,请大家批评指正。
迁移学习:利用源域和目标域来提高目标预测函数的表现,其中源域与目标域不同,或者源任务与目标任务不同。
归纳式迁移学习 | 利用源域和源任务来提高目标预测函数的表现,其中源任务与目标任务不同。 |
---|---|
直推式迁移学习 | 利用源域和源任务来提高目标预测函数的表现,其中源域与目标域不同,源任务和目标任务相同,而且目标域未标注数据中有一部分在训练时就已经是可用的。 |
无监督迁移学习 | 利用源域和源任务来提高目标预测函数的表现,但是源域和目标域都没有已标注数据可以使用。 |
其中各自与源域、目标域的关系
相关领域 | 源域与目标域 | 源任务与目标任务 | 源域已标注数据 | 目标域已标注数据 | 任务 | |
---|---|---|---|---|---|---|
归纳式迁移学习 | 多任务学习 | 相同 | 有关 | 可用 | 可用 | 回归、分类 |
自学习 | 相同 | 有关 | 不可用 | 可用 | 回归、分类 | |
直推式迁移学习 | 有关 | 相同 | 可用 | 部分可用 | 回归、分类 | |
无监督迁移学习 | 有关 | 有关 | 不可用 | 不可用 | 聚类 |
根据迁移学习的方法不同,把迁移学习的方法分为四种:
迁移学习 | 定义 |
---|---|
基于实例的迁移学习 | 通过对一部分源域中的数据重新赋权来得到新模型 |
基于特征的迁移学习 | 寻找一种“好”的表示特征的方法来使得源域和目标域之间的差异变小,降低分类和回归模型的误差 |
基于参数的迁移学习 | 发现源域和目标域中共享的参数或先验关系,并从中受益 |
基于关系的迁移学习 | 建立从源域到目标域的知识映射 |
根据不同方法在不同分类中的使用:
基于实例的迁移学习 | 基于特征的迁移学习 | 基于参数的迁移学习 | 基于关系的迁移学习 | |
归纳式迁移学习 | TrAdaBoost | multi-task learning | MT-IVM | TAMAR |
直推式迁移学习 | KLIEP | SCL | 不可用 | 不可用 |
无监督迁移学习 | 不可用 | self-taught clustering(STC) | 不可用 | 不可用 |