一、简介

背景：现如今数据爆炸：

对机器学习模型来说要求快速构建，强泛化

对于数据来说，大部分数据没有标签

所以收集标签数据和从头开始构建一个模型都是代价高昂的，需要对模型和带有标签的数据进行重用

传统机器学习：假设数据服从相同分布，但我们希望针对不同分布的数据，快速构建模型，实现数据标记

迁移学习(transfer learning)通俗来讲，就是运用已有的知识来学习新的知识，核心是找到已有知识和新知识之间的相似性。在迁移学习中，我们已有的知识叫做源域(source domain)，要学习的新知识叫目标域(target domain)，源域和目标域不同但有一定关联，我们需要减小源域和目标域的分布差异，进行知识迁移，从而实现数据标定。

源域目标域区别：一般目标域相对于源域，在数据分布、特征维度以及模型输出变化条件有不同，有机地利用源域中的知识来对目标域更好地建模。另外，在有目标域标定数据缺乏的情况下，迁移学习可以很好地利用相关领域有标定的数据完成数据的标定。

负迁移：如果源域和目标域之间相似度不够，迁移结果并不会理想，出现所谓的负迁移情况。比如，一个人会骑自行车，就可以类比学电动车；但是如果类比着学开汽车，那就有点天方夜谭了。如何找到相似度尽可能高的源域和目标域，是整个迁移过程最重要的前提。

为什么要进行迁移学习：

数据的标签很难获取

从头建立模型是复杂和耗时的

二、迁移学习常用概念

Domain (域)：由数据特征和特征分布组成，是学习的主体

Source domain (源域)：已有知识的域

Target domain (目标域)：要进行学习的域

Task (任务)：由目标函数和学习结果组成，是学习的结果，可理解为分类器

迁移学习条件：给定源域和源域的任务，目标域和目标域的任务，目标：利用源域和源域任务学习目标域预测函数f()，限制条件：源域和目标域不同或源任务和目标任务不同

domain adaptation(领域自适应)：有标签的源域和无标签的目标域共享一致的类别和特征，但分布不同

space coding(稀疏编码)：给定一组输入数据向量 { x1,x2,...,xN }，去学习一组基字典(dictionary of bases)，将每个样本表示为一组基的线性组合，其中这组基较为完备，多于输出，而系数向量则大部分都为 0，所以称为「稀疏」。

稀疏编码过程：

1、训练(training)：给定一系列的样本图片[x1, x 2, …]，我们需要学习得到一组基[Φ1, Φ2, …]，也就是字典，这需要不断迭代，目标函数表示为Min |I – O| + u*(|a1| + |a2| + … + |an |)I为输入，O为输出，其后为正则化。

每次迭代分两步：

a)固定字典Φ[k]，然后调整a[k]，使得上式，即目标函数最小(即解LASSO问题)。

b)然后固定住a [k]，调整Φ [k]，使得上式，即目标函数最小(即解凸QP问题)。

不断迭代，直至收敛。这样就可以得到一组可以良好表示这一系列x的基，也就是字典。

2、编码(Coding)：给定一个新的图片x，由上面得到的字典，通过解一个LASSO问题得到稀疏向量a。这个稀疏向量就是这个输入向量x的一个稀疏表达了。

三、迁移学习分类

3.1 按照学习方式分四类：

基于样本的迁移：通过对源域中有标记样本加权利用完成知识迁移，例如相似的样本就给高的权重

假设：源域中的一些数据和目标域会共享很多共同的特征

方法：对源域进行样本重新加权，筛选出与目标域数据相似度高的数据，然后进行训练学习

代表工作：

• TrAdaBoost [Dai, ICML-07]

• Kernel Mean Matching (KMM) [Smola, ICML-08]

• Density ratio estimation [Sugiyama, NIPS-07]

优点：

• 方法较简单，实现容易

缺点：

• 权重选择与相似度度量依赖经验

• 源域和目标域的数据分布往往不同

基于特征的迁移：通过将源域和目标域特征变换到相同的空间(或者将其中之一映射到另一个的空间中)并最小化源域和目标域的距离来完成知识迁移；目前使用最多也最易于上手完成

假设：源域和目标域仅仅有一些交叉特征

方法：通过特征变换，将两个域的数据变换到同一特征空间，然后进行传统的机器学习

代表工作：

• Transfer component analysis (TCA) [Pan, TKDE-11]

• Spectral Feature Alignment (SFA) [Pan, WWW-10]

• Geodesic flow kernel (GFK) [Duan, CVPR-12]

• Transfer kernel learning (TKL) [Long, TKDE-15]

优点：

• 大多数方法采用

• 特征选择与变换可以取得好效果

缺点：

• 往往是一个优化问题，难求解

• 容易发生过适配

基于模型的迁移：将源域和目标域的模型与样本结合起来调整模型的参数；一般来说使用于神经网络，使用较多

假设：源域和目标域可以共享一些模型参数

方法：由源域学习到的模型运用到目标域上，再根据目标域学习新的模型

代表工作：

• TransEMDT [Zhao, IJCAI-11]

• TRCNN [Oquab, CVPR-14]

• TaskTrAdaBoost [Yao, CVPR-10]

优点：

• 模型间存在相似性，可以被利用

缺点：

• 模型参数不易收敛

基于关系的迁移：通过在源域中学习概念之间的关系，然后将其类比到目标域中，完成知识的迁移。

假设：如果两个域是相似的，那么它们会共享某种相似关系

方法：利用源域学习逻辑关系网络，再应用于目标域上

代表工作：

• Predicate mapping and revising [Mihalkova, AAAI-07],

• Second-order Markov Logic [Davis, ICML-09]

3.2 按迁移情境分三类：

归纳式迁移 (inductive transfer learning)：源域目标域学习任务不同但相关

直推式迁移(transductive transfer learning)：源域目标域不同但相关，学习任务相同

无监督迁移(unsupervised transfer learning)：源域目标域及任务均不同但相关，均没有标签

3.3 按特征空间分两类：

同构迁移学习：特征维度相同分布不同

异构迁移学习：特征维度不同或特征本身就不同，如图片到文字

四、迁移学习热门研究领域

4.1、域适配问题 (domain adaptation)

有标签的源域和无标签的目标域共享相同的特征和类别，但是特征分布不同，如何利用源域标定目标域计算机视觉的一个重要问题

解决思路：

数据分布角度：最小化概率分布距离————概率分布适配(distribution adaptation)

边缘分布适配：目标域数据每类分布图形和源域的看起不一样

条件分布适配：目标域数据每类分布图形和源域的看起大致一样，但类内分布不一样

联合分布适配：目标域数据每类分布图形和源域的看起不一样，但类内分布也不一样

方法:

基础：大多数方法基于MMD距离进行优化求解

效果：平衡(BDA)>联合(JDA)> 边缘(TCA)> 条件

使用：数据整体差异大(相似度低)，边缘分布更重要

数据整体差异小(协方差漂移)，条件分布更重要

最新成果：深度学习+分布适配往往有更好的效果(DDC、DAN、JAN)

特征选择角度：选择源域目标域公共特征，建立统一模型————特征选择法(feature selection)

特征变换角度：把源域目标域变换到公共子空间内————子空间学习法(subspeace learning)

迁移方法：

1、基于特征的迁移方法：

(TCA)Transfer component analysis [Pan, TKDE-11]

迁移成分分析：将源域和目标域变换到相同空间，最小化它们的距离

其中优化目标表示最小化源域目标域在高维空间的低维嵌入的距离，其后是正则化

分布距离由MMD求出，当源域数据和目标域数据映射在一个高维完备的希尔伯克空间中，其分布可以用其平均值表示，

TCA的扩展：

ACA:最小化MMD，同时维持迁移过程中目标域的结构

DTMKL：多核MMD,原来有一个k现在有多个k求解

DDC:MMD加入神经网络(一层)

DAN：MMD加入神经网络(三层)

DME:先进行矩阵变换再映射

CMD:不只一阶的MMD,k阶

joint distribution adaptation(JDA)

直接继承于TCA，但是加入了条件分布适配

联合分布的结果普遍优于单独适配边缘或条件分布

JDA扩展：

ARTL:分类器学习+联合分布适配

VDA:加入类间距的类内距比值

JGSA：加入类间距，类内距，标签适配(非深度学习效果最好)

JAN:提出JMMD度量，在深度网络中进行联合分布适配

SCL(structural corresponding learning)：

寻找主特征并把源域和目标域对齐

Geodesic flow kernel[Duan, CVPR-12]

利用流形学习，将数据映射到高维空间中，然后测量其距离，使得源域和目标域差异最大

Transfer kernel learning [Long, TKDE-15]

在再生核希尔伯特空间中学习一个领域不变核矩阵，从而实现源域和目标域的适配

TransEMDT [Zhao, IJCAI-11]

首先通过聚类得到初始的目标域决策树模型，然后迭代更新决策树的参数直到收敛为止

2、基于实例的迁移方法：

Kernel mean matching [Huang, NIPS-06]

在再生希尔伯特空间中计算源域和目标域的协方差分布差异，然后用二次规划求解样本权重

Covariate Shift Adaptation [Sugiyama, JMLR-07]

采用自然估计法估计源域和目标域的密度比例，然后进行实例权重的分配，最后迁移

3、基于模型的迁移方法：

(ASVM)Adaptive SVM [Yang et al, ACM Multimedia-07]

使用SVM模型，在适配和原始模型之间学习“数据函数”,达到模型迁移效果

Multiple Convex Combination (MCC) [Schweikert, NIPS-09]

对一些域适配的方法做集成学习

Domain Adaptation Machine (DAM) [Duan, TNNLS-12]

4.2、多源迁移学习 (multi-source TL)

TrAdaBoost [Dai, ICML-07]

利用Boost的技术过滤掉多个源域中与目标域不相似的样本，然后进行实例迁移学习

MsTL-MvAdaboost [Xu, ICONIP-12]

不仅考虑源域和目标域的样本相似度情况，同时，以多视图学习的目标来进行统一的迁移

Consensus regularization [Luo, CIKM-08]

同时在源域和伪标注的目标域上训练分类器，利用一致性约束进行知识的迁移

4.3、深度迁移学习 (deep TL)

4.4、异构迁移学习 (heterogeneous TL)

五、机器学习常见框架

AlexNet：基于神经网络学习(CNN)的框架，解决了图像分类的问题

输入：是1000个不同类型图像(如猫、狗等)中的一个图像，输出是1000个数字的矢量。输出向量的第i个元素即为输入图像属于第i类图像的概率。因此，输出向量的所有元素之和为1。

架构：AlexNet由5个卷积层和3个全连接层组成，多个卷积内核(a.k.a过滤器)可以提取图像中有趣的特征。

VGG：在AlexNet网络的基础上发展而来的神经网络模型，可以应用在人脸识别、图像分类等方面

ResNet(Residual Neural Network):基于神经网络学习(CNN)的框架，通过使用ResNet Unit成功训练出了152层的神经网络，参数量比VGGNet低，效果突出。ResNet的结构可以极快的加速神经网络的训练，模型的准确率也有比较大的提升。

PyTorch:一个以Python 优先的深度学习框架，不仅能够实现强大的GPU 加速，同时还支持动态神经网络，这是现在很多主流框架比如Tensorflow 等都不支持的。

TensorFlow :是世界上最受欢迎的开源机器学习框架，它具有快速、灵活并适合产品级大规模应用等特点