Oct, 2023

异构迁移学习综述

PDF
TL;DR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。
transfer learningheterogeneous transfer learningmethodologiesdiverse learning scenariosapplication contexts
发现论文，激发创造
  • 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

  • 跨多样化外观领域和任务类型的迁移学习影响因素

    本文通过对多种不同的图像领域和任务类型进行超过 2000 个转移学习实验，并系统地分析其对转移学习性能的影响，得出了以下几点结论：（1）对于大多数任务，存在一种源任务显著优于 ILSVRC'12 预训练；（2）图像领域是实现积极转移的最重要因素；（3）源数据集应包括目标数据集的图像领域以获得最佳结果；（4）同时，当源任务的图像领域比目标任务的图像领域范围更广时，我们观察到的负面影响很小；（5）跨任务类型的转移可能会有益，但其成功与源任务和目标任务类型密切相关。

    Mar, 2021

  • 学习什么和在哪里转移

    本研究提出了一种基于元学习的转移学习方法，可以在异构架构和任务之间自动学习来自源网络的知识应该转移到目标网络的哪个位置，该方法在多种数据集和网络架构上都显著优于手工制定的传统方法。

    May, 2019

  • 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

  • 迈向更可靠的迁移学习

    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。

    Jul, 2018

  • 安全的迁移学习：挑战和未来方向

    通过综述现有的研究进展，本文讨论了在安全领域中应用迁移学习技术存在的研究空白以及潜在的未来研究方向和迁移学习辅助安全解决方案中出现的问题。

    Mar, 2024

  • 负迁移调查

    本文提出了一个系统化的对负迁移的定义及其影响因素、减少负迁移算法的调查，涵盖了安全迁移、领域相似度估计、远距离迁移和负迁移减缓四个方面，并探讨了在多任务学习、终身学习和对抗攻击等相关领域中的负迁移

    Sep, 2020

  • 深度迁移学习调查

    本文综述了深度神经网络及其应用中存在的数据获取与标注问题，并介绍了基于深度迁移学习的研究，旨在通过迁移学习中提出的独立同分布假设的放宽，解决数据不足的问题。

    Aug, 2018

  • 多领域学习中的迁移和干扰分离

    本研究研究了多域学习中的迁移学习，提出了新的度量标准，建立了实验协议，并研究了网络容量、任务分组和动态损失加权在减少干扰和促进知识迁移方面的作用。

    Jul, 2021

  • 异构领域自适应：无监督方法

    本文介绍了一种用于异构无监督领域自适应的创新传输模型 GLG，该模型通过构建同质化表示形式并通过测量他们与原始源和目标域之间的角度距离，达到了知识转移的目的，并在癌症检测、信用评估和文本分类等三个应用领域中的十个任务中展示出优异的性能表现。

    Jan, 2017