0 與傳統機器學習差別
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsIyZuBnL5YzMyATNxEjMxMzMwAjMwIzLc52YucWbp5GZzNmLn9Gbi1yZtl2Lc9CX6MHc0RHaiojIsJye.png)
1 遷移學習概念
利用資料、任務、或模型之間的相似性,将在舊領域學習過的知識,應用于新領域的一種學習過程。
2 相似性與度量
相似性:找到新問題和原問題之間的相似性是遷移學習的核心,無相似不遷移。
度量:重要手段
"度量"目标一:是很好地度量兩個領域的相似性,不僅定性地告訴我們它們是否相似,更定量地給出相似程度。
"度量"目标二:以度量為準則,通過我們所要采用的學習手段,增大兩個領域之間的相似性,進而完成遷移學習。
3 遷移學習的必要性
4 遷移學習定義與相關符号描述
公式比較難打,上手寫筆記(盡管字迹不咋地,看看還是能夠的,争取後面寫的耐看些)。
5 遷移學習分類
5.1.基于源/目标域,源/目标學習任務的不同情況。
5.2.遷移學習研究的主要問題:what(内容)/how(算法)/when(是否應該) to transfer?
基于“what to transfer”分類
5.21 基于執行個體的遷移學習(資料層面)
重新對源域中的一些資料進行重權重,以便在目标域中使用。
5.22 基于特征表示的遷移學習(特征層面)
基于特征的遷移方法:是指将通過特征變換的方式互相遷移 ,減少源域和目标域之間的差距;或者将源域和目标域的資料特征變換到統一特征空間中。
5.23 基于參數的遷移學習(模型參數層面)
從源域和目标域中找到他們之間共享的參數和先驗知識。
5.24 基于關系的知識遷移(關系層面)
在源域和目标域建立相關的知識映射,兩個域是相關域(研究較少)。
6 深度遷移學習:神經網絡深度自适應
6.1 深度網絡可遷移性
淺層:通用特征
深層:偏向于特定特征
中間:中間幾層的特征變換存在很強的依賴性(脆弱的耦合特征)
協同學習,拆開效果不好;
通用特征到專用特征變換的關鍵位置。
(遷移位置的選擇很關鍵)
6.2關鍵性(了解這裡非常非常重要)
**基本準則:**決定自适應層,然後在這些層加入自适應度量,最後對網絡進行 finetune。
7 遷移學習 VS 網絡自适應
領域自适應問題是遷移學習的研究内容之一,它側重于解決特征空間一緻、類别空間一緻,僅特征分布不一緻的問題。而遷移學習也可以解決上述内容不一緻的情況。
8 絕大多數内容來自
- Pan, S. J. and Yang, Q. (2010). A survey on transfer learning. IEEE TKDE, 22(10):1345–1359.
- 王晉東老師:遷移學習簡明手冊
我隻是知識的搬運工,外加一丢丢小了解!!!