论文： A Survey on Transfer Learning
期刊会议：IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING
时间：2010
级别：CCF A

论文： A Survey on Deep Transfer Learning
期刊会议：International Conference on Artificial Neural Networks, Rhodes, Greece, October 4-7, 2018, Proceedings
时间：2018
级别：CCF C

1、为什么需要迁移

• Transfer Learning：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。
• Deep Transfer Learning：训练数据不足是一些特殊领域无法回避的问题。
  • 数据的收集复杂且昂贵，这使得构建大规模、高质量的注释数据集变得极其困难
  • 即使我们付出昂贵的代价获得训练数据集，也很容易过时，从而无法有效地应用于新任务（这和Transfer Learning中提到的原因是一致的，即训练集和测试集可能不遵循独立同分布的假设）

总结：本质上使用迁移学习的原因就是：训练数据不足

2、迁移学习的目的

从一个或多个源任务中提取知识，并将知识应用到目标任务中，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

总结：解决训练数据不足问题和减少训练代价

3、范式

总体过程：什么时候迁移（when）$\to$迁移什么（what）$\to$ 怎么迁移（how）

注：范式是我自己推断出来的，不是论文中写出的

Transfer Learning：

Deep Transfer Learning：

4、每一个步骤的目的

什么时候迁移（when）$\to$迁移什么（what）$\to$ 怎么迁移（how）

• when: 什么情况可以迁移，即能否进行迁移，因为有时对于两个差距较大的领域，强行迁移反而会造成负迁移
• what：寻找对于源域和目的域通用的“知识”。按照下文的“按照迁移什么对迁移方法进行分类”，那么这里指的‘知识’指的应该是 ‘特征’、‘参数’，‘关系’等。
• how：根据what 找到的通用的知识选择合适的方法进行迁移

5、分类及分类原因

6.1 Transfer Learning

基于源域和目标域和任务之间的不同情况进行分类

• （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
  

按照迁移什么，又可以分为如下四类方法：

• 基于实例的迁移学习：重新加权源域中的一些标记数据以用于目标域 $\Rightarrow$ ？
• 基于特征表示的迁移学习：找到一个“好的”特征表示，减少源域和目标域之间的差异以及分类和回归模型的错误 * $\Rightarrow$ 特征
• 基于参数的迁移学习：发现源域和目标域模型之间的共享参数或先验，这有利于迁移学习$\Rightarrow$ 参数或先验
• 基于关系的知识迁移学习：在源域和目标域之间构建关系知识的映射。两个域都是关系域并且 i.i.d 假设在每个域中都放宽了 $\Rightarrow$ 关系？

其中方法和类别的对应如下：

6.2 Deep Transfer Learning

基于使用的技术进行分类：

• 基于实例的深度迁移学习
  
• 基于映射的深度迁移学习
  
• 基于网络的深度迁移学习
  
• 基于对抗的深度迁移学习