期刊会议：IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING
时间：2010
级别：CCF A

1、为什么需要迁移
    许多机器学习和数据挖掘算法的一个主要假设是，训练数据和未来数据必须在相同的特征空间中，并且具有相同的分布。然而，在许多实际应用程序中，这种假设可能不成立。

2、迁移学习的目的
将已有的源域中的知识迁移到目标域中，解决：

• 目标域数据标签较少或者无标签的问题
• 重新训练模型耗费大量训练资源的问题
• 数据变化较大一段时间后模型失效的问题

3、范式

4、每一个步骤的目的

5、为什么这么分类

• 基于源域和目标域和任务之间的不同情况
  • （归纳）推导迁移学习（inductive transfer learning):目标任务和源任务不同，无论目标域与源域是否相同。在这种情况下，需要目标域中的一些标记数据来导出用于目标域的客观预测模型 $f_T(\cdot )$
  • （直推式）转导迁移学习（transductive transfer learning）: 源任务和目标任务相同，源域和目标域不同。
  • 无监督迁移学习（unsupervised transfer learning）:目标任务与源任务不同但相关。然而，无监督迁移学习专注于解决目标域中的无监督学习问题，如聚类、降维、密度估计。这种情况下，训练中源域和目标域都无已标注数据可用
    
• 迁移什么
  • 基于实例的迁移学习
  • 基于特征表示的迁移学习
  • 基于参数的迁移学习
  • 关系知识迁移学习

6、每个流派解决的问题