迁移学习的可行性：一个数学框架

May, 2023

迁移学习的可行性：一个数学框架

Feasibility of Transfer Learning: A Mathematical Framework

Haoyang Cao, Haotian Gu, Xin Guo

TL;DR本文探讨了迁移学习的可行性问题，并构建了一个数学框架，将三个步骤的迁移学习过程形式化为一个优化问题，研究发现在适当的损失函数和数据集选择下，存在迁移学习的最佳过程，这些研究为特征增强在模型性能中的影响，域适应的潜在扩展以及在图像分类中进行高效特征提取器转移的可行性提供了新的见解。

Abstract

transfer learning is a popular paradigm for utilizing existing knowledge from previous learning tasks to improve the performance of new ones. It has enjoyed numerous empirical successes and inspired a growing number of theoretical studies. This paper addresses the →

transfer learning optimization feasibility feature augmentation domain adaptation

发现论文，激发创造

贝叶斯迁移学习

贝叶斯迁移学习方法在不同领域的先前知识引导新学习任务的最佳信息问题上具有广泛应用，并通过模拟研究展示了其与频率论竞争者相比的性能。

Dec, 2023

转移学习的风险及其在金融中的应用

本文提出了一个新的转移风险概念并分析了其性质，将其应用于股票收益预测和投资组合优化问题中，数值结果表明转移风险与整体转移学习性能存在强相关性，转移风险提供了一个计算高效的方法来识别适当的源任务，包括跨大陆、跨行业和跨频率转移用于投资组合优化。

Nov, 2023

投资组合优化的迁移学习

我们探讨了利用迁移学习技术解决金融投资组合优化问题的可能性，引入了一个名为 “迁移风险” 的新概念，并在迁移学习的优化框架中进行了一系列数字实验，揭示了迁移风险与迁移学习方法整体性能之间的强相关性，验证了迁移风险作为 “可迁移性” 的可行指标的重要性，迁移风险证明提供了一种计算高效的方法来识别迁移学习中适当的源任务，增强了迁移学习方法的效率和效果，此外，数字实验为不同设置下的投资组合管理提供了有价值的新见解。

Jul, 2023

任务迁移学习中可迁移性的信息论方法

本文提出了一个评估跨任务表示学习有效性的 H-score 度量方式，可以对在分类问题中从一个任务传递到另一个任务的表示的性能进行评估。使用实际图像数据进行的实验表明，该评价标准不仅与经验传递度量一致，而且在源模型选择和任务转移课程学习等应用中也非常有用。

Dec, 2022

深度学习中的可迁移性研究

本文介绍深度学习中的迁移学习，包含核心原理和方法、面临的基本问题、未解决的问题以及工具库和基准测试等方面的内容。

Jan, 2022

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

学习迁移

利用 “学习转移（L2T）” 框架，从之前的转移学习经验中学习反思功能并利用其来自动确定最佳的转移方法和转移内容，以此来发现更多可以转移的知识。