迈向更可靠的迁移学习

KDDJul, 2018

Towards more Reliable Transfer Learning

Zirui Wang, Jaime Carbonell

TL;DR本文提出了一种新的多源传递学习方法，它结合了源目标相似性和不同可靠性源之间的关系，并提出了一个综合的主动传递学习框架，包括分布匹配和不确定性采样，在合成和真实数据集上进行了广泛的实验，表明其在多项基准测试中优于其他现有模型。

Abstract

multi-source transfer learning has been proven effective when within-target labeled data is scarce. Previous work focuses primarily on exploiting domain similarities and assumes that source domains are richly or at least comparably labeled. While this strong assumption is never true in

multi-source transfer learning domain similarity source reliability active learning uncertainty sampling

发现论文，激发创造

基于相似源域的多源对抗迁移学习与局部特征

本文提出了一种基于本地特征相似度的多源敌对转移学习方法，通过子网络提取单个来源域和目标域之间的可转移本地特征，用注意力模块对其进行加权，以抑制不可转移的本地特征并增强可转移的本地特征；并证明了该方法在只有本地相似性的转移场景中的可行性，实验中在提出的数据集 “局部 Carvana 图像遮蔽数据集” 的图像分割任务中，实现了比其他多源转移学习方法更好的转移性能。

May, 2023

多目标偏移源数据聚合

本文提出了一种采用语义条件分布相似性来聚合多源领域的方法，同时在三种常用的场景下选择相关源的框架，并通过实验验证了该方法的有效性。

May, 2021

分享还是不分享：预测模型迁移学习的数据源集合

通过模型迁移技术，使用支撑向量机算法并基于模型相似性，自动确定可用的多个数据源，以提高序列标注任务的性能，可以提高高达 24 个 F1 分数点。

Apr, 2021

基于多源转移学习的深度模型强化学习

本研究旨在提出多源模块化转移学习技术，以减少强化学习所需的环境交互次数并提高知识重用。我们支持这一技术的有效性，并进行了广泛而具有挑战性的视觉控制跨领域实验。

May, 2022

异构迁移学习综述

综述了异构迁移学习方法的最新发展，为未来的研究提供了系统的指南，包括自然语言处理、计算机视觉、多模态和生物医学等各种应用场景。

Oct, 2023

多源实体消歧中的统计高效转移学习

本研究提出一种新的迁移学习算法以应对实体解析在面临的挑战，即异构数据源数量上升导致监督学习中的训练数据成本过高的问题。该算法采用快速凸优化来进行训练，实现线性标记成本下保持不变的准确度。

Aug, 2012

迁移学习综述

本综述对转移学习的 40 多个代表性方法进行了系统总结，从数据和模型的角度介绍了同质转移学习的机制和策略，并通过实验证明了在不同应用程序中选择适当的传输学习模型的重要性。

Nov, 2019

跨域和跨任务的同时深度迁移

本研究提出一种用于视觉领域适应的 CNN 架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。

Oct, 2015

领域迁移下的聚类学习

本文提出了一种基于无监督域自适应和深度聚类的方法，利用来自多个源域的数据信息建立一个与具体域无关的聚类模型，并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息，并在多个域自适应基准测试中取得了最先进的结果。

Aug, 2020

多源域自适应的专家混合模型

本论文提出了一种用于多源无监督领域自适应的专家混合方法，旨在显式地捕获目标示例与不同源域之间的关系，以点到集度量为表达方式，通过元训练无监督地学习这个度量，并在情感分析和词性标注方面进行实验，证明了我们的方法始终优于多个基准线，并可以稳健地处理负迁移。

Sep, 2018