迁移学习导论

第一部分背景与概念
第1 章绪论                              3
1.1 迁移学习                          3
1.2 相关研究领域                       6
1.3 迁移学习的必要性                     8
1.3.1 大数据与少标注之间的矛盾              8
1.3.2 大数据与弱计算能力的矛盾              8
1.3.3 有限数据与模型泛化能力的矛盾            9
1.3.4 普适化模型与个性化需求的矛盾            9
1.3.5 特定应用的需求                   10
1.4 迁移学习的研究领域                    11
1.4.1 按特征空间分类                   12
1.4.2 按目标域有无标签分类                12
1.4.3 按学习方法分类                   12

第一部分背景与概念

第1 章绪论                              3

1.1 迁移学习                          3

1.2 相关研究领域                       6

1.3 迁移学习的必要性                     8

1.3.1 大数据与少标注之间的矛盾              8

1.3.2 大数据与弱计算能力的矛盾              8

1.3.3 有限数据与模型泛化能力的矛盾            9

1.3.4 普适化模型与个性化需求的矛盾            9

1.3.5 特定应用的需求                   10

1.4 迁移学习的研究领域                    11

1.4.1 按特征空间分类                   12

1.4.2 按目标域有无标签分类                12

1.4.3 按学习方法分类                   12

1.4.4 按离线与在线形式分类                13

1.5 迁移学习的应用                      14

1.5.1 计算机视觉                     14

1.5.2 自然语言处理                    15

1.5.3 普适计算与人机交互                 16

1.5.4 医疗健康                      17

1.6 学术会议和工业界中的迁移学习              18

第2 章从机器学习到迁移学习                   21

2.1 机器学习及基本概念                    21

2.2 结构风险最小化                      22

2.3 数据的概率分布                      23

2.4 概念与符号                        25

2.5 迁移学习的问题定义                    26

第3 章迁移学习基本问题                      29

3.1 何处迁移                          30

3.2 何时迁移                          32

3.3 如何迁移                          32

3.4 失败的迁移：负迁移                    33

3.5 完整的迁移学习过程                    35

第二部分方法与技术

第4 章迁移学习方法总览                      39

4.1 迁移学习总体思路                     39

4.2 分布差异的度量                      40

4.2.1 百花齐放的迁移学习分布度量             41

4.2.2 分布差异的统一表征                 42

4.2.3 分布自适应因子的计算                44

4.3 迁移学习统一表征                     45

4.3.1 样本权重迁移法                   46

4.3.2 特征变换迁移法                   47

4.3.3 模型预训练迁移法                  48

4.3.4 小结                         48

4.4 上手实践                          48

4.4.1 数据准备                      49

4.4.2 基准模型构建：KNN                  51

4.5 迁移学习理论                       53

4.5.1 概念与符号                     54

4.5.2 基于H-divergence 的理论分析            54

4.5.3 基于HΔH-distance 的理论分析           55

4.5.4 基于差异距离的理论分析               57

4.5.5 结合标签函数差异的理论分析             58

第5 章样本权重迁移法                       59

5.1 问题定义                          59

5.1.1 样本权重迁移法的可行性分析             59

5.1.2 形式化定义                     60

5.2 基于样本选择的方法                    61

5.2.1 基于非强化学习的样本选择法             62

5.2.2 基于强化学习的样本选择法              63

5.3 基于权重自适应的方法                  64

5.4 上手实践                          66

5.5 小结                            68

第6 章统计特征变换迁移法                    69

6.1 问题定义                          69

6.2 最大均值差异法                      70

6.2.1 基本概念                      70

6.2.2 基于最大均值差异的迁移方法             72

6.2.3 求解与计算                     75

6.2.4 应用与扩展                     76

6.3 度量学习法                        78

6.3.1 从预定义的距离到可学习的距离            78

6.3.2 度量学习及其形式化                 79

6.3.3 基于度量学习的迁移学习               80

6.4 上手实践                          81

6.4.1 算法精炼                      81

6.4.2 编写代码                      82

6.5 小结                            84

第7 章几何特征变换迁移法                    85

7.1 问题定义                          85

7.2 子空间变换法                       86

7.3 流形学习法                        87

7.3.1 流形学习                      87

7.3.2 基于流形学习的迁移学习方法             88

7.4 最优传输法                        91

7.4.1 最优传输                      91

7.4.2 基于最优传输法的迁移学习方法            92

7.5 上手实践                          94

7.6 小结                            97

第8 章预训练方法                          99

8.1 深度网络的可迁移性                    99

8.2 预训练–微调                        102

8.3 预训练方法的有效性分析                 105

8.4 自适应的预训练方法                    106

8.5 重新思考预训练模型的使用                108

8.6 上手实践                          110

8.7 小结                            113

第9 章深度迁移学习                        115

9.1 总体思路                          116

9.2 深度迁移学习的网络结构                 117

9.2.1 单流结构                      118

9.2.2 双流结构                      118

9.3 数据分布自适应的深度迁移学习方法           120

9.3.1 边缘分布自适应                   120

9.3.2 条件、联合与动态分布自适应             121

9.4 结构自适应的深度迁移学习方法              122

9.4.1 批归一化                      123

9.4.2 批归一化用于迁移学习                123

9.4.3 基于多表示学习的迁移网络结构            124

9.5 知识蒸馏                          125

9.6 上手实践                          127

9.6.1 网络结构                      127

9.6.2 损失                         129

9.6.3 训练                         131

9.6.4 测试                         132

9.7 小结                            133

第10 章对抗迁移学习                        135

10.1 生成对抗网络                       135

10.2 对抗迁移学习基本思路                  136

10.3 数据分布自适应的对抗迁移方法             137

10.4 基于信息解耦的对抗迁移方法              140

10.5 基于数据生成的对抗迁移方法              141

10.6 上手实践                         142

10.6.1 领域判别器                     143

10.6.2 分布差异计算                    143

10.6.3 梯度反转层                     144

10.7 小结                           145

第11 章迁移学习热门研究问题                  147

11.1 类别不均衡的迁移学习                  148

11.2 多源迁移学习                       150

11.3 开放集迁移学习                     153

11.4 时间序列的迁移学习                   154

11.5 联邦迁移学习                       158

11.5.1 联邦学习                      158

11.5.2 联邦迁移学习                    160

11.6 基于因果关系的迁移学习                 161

11.6.1 什么是因果关系                   161

11.6.2 因果关系与迁移学习                 163

11.7 自动迁移学习                       168

11.8 在线迁移学习                       171

第三部分扩展与探索

第12 章领域泛化                          177

12.1 领域泛化问题                       177

12.1.1 背景                        177

12.1.2 问题定义                      179

12.1.3 常用方法                      180

12.2 基于数据分布自适应的方法               181

12.2.1 领域无关成分分析DICA               181

12.2.2 深度数据分布自适应                 183

12.3 基于解耦的方法                     184

12.4 基于集成模型的方法                   186

12.5 基于数据生成的方法                   187

12.5.1 领域随机法                     187