深度迁移学习与最近进展综述
本论文通过应用深度迁移学习的自动语音识别框架对最新的发展进行综合调查研究，以帮助学术和专业人士了解当前挑战，并识别论文中每个框架的优缺点。
Apr, 2023
本文重点介绍了基于深度迁移学习的入侵检测系统 (IDS)， 特别是在工业控制网络中的应用。通过回顾相关文献，介绍了不同类型的数据集，DTL 使用的种类，预训练网络，IDS 技术以及评估指标等，经过不同研究的比较分析，证明了基于 DTL 的 IDS 可以更好地提高网络安全性。
Apr, 2023
本研究提出了一种远程领域转移学习方法，通过应用该方法于 COVID-19 的肺 CT 影像数据，结合 Reduced-size Unet Segmentation 模型和 Distant Feature Fusion 分类模型，成功实现了高效且准确的 COVID-19 诊断。
Dec, 2020
提出了一种名为 EXPANSE 的新的深度转移学习方法，通过扩展网络层来避免遗忘和过度偏置的问题，并引入了基础课程和复杂性学习的两阶段培训方式，该方法在处理远程源和目标数据方面取得了成功。
May, 2022
深度迁移学习在工业过程中具有识别异常事件和优化质量的潜力，通过利用与相关任务的知识以及解决时间序列异常检测的问题来解决使用标准深度学习所需的大规模标记数据的问题，同时降低了深度学习模型设计和实现的复杂度。
Jul, 2023
本文提出了一种基于神经过程和图卷积网络的深度转移学习方法（GTNP），通过特征转移策略在高维空间中消除源领域和目标领域之间的数据分布差异，全局和局部潜在变量的联合建模以及稀疏采样策略减少目标领域中观测数据的需求，多尺度不确定性分析通过全局和局部潜在变量的分布特征获得，从而使 GTNP 能够提供反映方法复杂性和任务难度的定量值，同时允许对每个受到噪声和偏差影响的样本进行不确定性建模（故障检测结果的置信度），在 3 个智能故障检测任务中，验证了所提出方法相较于其他基于深度转移学习的方法具有更好的检测性能。
Feb, 2024