A Survey on Deep Transfer Learning
阅读日期:2021.8.29
Doi:10.1007/978-3-030-01424-7_27
文章简介:介绍了2018年以前的深度迁移学习的主要进展,以及迁移学习的主要分类
-
深度学习的缺点
- 依赖大量数据,往往模型越大,需要的数据也越多,成本也就越高
- 需要训练数据和预测数据满足来自同一个总体的假设,
-
深度迁移学习的定义:
- 给定任务 T t T_t Tt和数据 D t D_t Dt,利用从数据 D s D_s Ds和 任务 T s T_s Ts中学到的知识,提高任务 T t T_t Tt的预测函数 f T ( ⋅ ) f_T(\cdot) fT(⋅)的预测性能
-
深度迁移学习的分类:
-
基于样本加权(Instances-based)
- 利用不同方法,从source domain中找到与target domain相似的数据,并利用样本加权的方式,将两者合并训练,从而提高模型性能
- 应用:
- TrAdaBoost
- Bi-weighting domain adaptation (BIW)
-
基于样本空间变换(Mapping-Based)
- 将source domain和target domain中的数据映射到另一个共同空间,然后进行模型训练
- 应用
- Transfer component analysis (TCA)
- Deep domain confusion:给损失函数加上适应层和一个域自适应损失
-
基于网络结构(Network-Based Deep)
- 通过共享神经网络参数的方式,利用source domain中学习的模型参数,提高target domain的精度
-
基于对抗样本生成(Adversarial-Based)
- 训练一个生成器generator,用于从source domain中提取特征,判别器discriminator尽量区分target domain中提取的特征和生成的特征,从而将source domain中的数据转化成可以利用的特征。
- 参考:GAN万字长文综述 - 知乎 (zhihu.com)
-