关于迁移学习很好的文章

主要参考：
https://zhuanlan.zhihu.com/p/47991650

https://zhuanlan.zhihu.com/p/53359505

迁移学习（心理学领域）：指一种学习对另一种学习的影响，即在一种情境中获得的技能、知识或态度对另一种情境中技能、知识的获得或态度的形成的影响

在实际应用中，如果考虑使用迁移学习技术那么我认为应该按照如下顺序来思考：

1. 何时进行迁移？
2. 迁移什么知识？
3. 如何进行迁移？

what to transfer
how to transfer
when to transfer

2、迁移学习的分类

在杨强教授的论文中对迁移学习分为了细致的分类，由于论文发布时间距离现在已经过去了很长时间，所以很多概念的定义以及使用已经发生了改变，所以下面我给出的分类方法可能会与之前的论文有些出入。下面是我理解的迁移学习分类方法：
2.1 按迁移情景分类

归纳式迁移：不论源域与目标域是否相同，目标域任务都是不同于源域任务的。
直推式迁移：源域与目标域是不相同的，但是源域任务和目标域任务是相同的。
无监督迁移：与归纳式迁移类似，目标域任务与源域任务相关但是不相同。此外，无监督迁移关注的是在目标域上的无监督学习（聚类，降维等）。

2.2 按迁移方法分类

基于实例的迁移：对源域的样本不断更新权重并应用在目标域中，这种方法停留在样本的层面。
基于特征的迁移：寻求一种更合适的特征表示，使得目标域和源域的特征分布差异更小。
基于关系的迁移：通过建立源域和目标域之间相关知识的映射来进行迁移。
基于模型的迁移：挖掘源域和目标域模型可以共享的模型参数或者先验，从而进行迁移。

2.3 按特征空间分类

同构迁移学习：源域特征空间与目标域特征空间相同。
异构迁移学习：源域特征空间与目标域特征空间不相同。
2.4 分类总结

以上的三大类分类方法并不是独立的，它们是相互交叉的或者包含的，不过现在我们没有必要分的太过仔细，在后续我们看到各种迁移学习算法之后自然会有一个深刻的认识。