Dec, 2023
贝叶斯迁移学习
Bayesian Transfer Learning
Piotr M. Suder, Jason Xu, David B. Dunson
TL;DR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。
Abstract
transfer learning is a burgeoning concept in statistical machine learning
that seeks to improve inference and/or predictive accuracy on a domain of
interest by leveraging data from related domains. While the term "transfer
learning" has garnered much recent interest, its foundational p
发现论文，激发创造
最优贝叶斯迁移学习
本研究提出了一种贝叶斯迁移学习框架，该框架利用源域和目标域之间的联合先验密度，定义高斯特征 - 标签分布的精度矩阵的联合 Wishart 密度作为一种转移有用信息的桥梁，提高了目标区域的分类性能。该方法是一种快速、基于闭式形式的最优贝叶斯迁移学习分类器，实验证明了其性能优于其他最先进的迁移学习和域适应方法。
Jan, 2018
贝叶斯优化的迁移学习：综述
该研究论文介绍基于贝叶斯优化的迁移学习方法，从初始点设计、搜索空间设计、代理模型和获取函数等四个方面总结其方法论和技术细节。同时，论文彰显了该方法在广泛应用中的优点，并提出了未来的研究方向。
Feb, 2023
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
迁移学习的可行性：一个数学框架
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。
May, 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
基于计算智能的迁移学习综述
本文研究了基于计算智能的迁移学习技术，将其分为基于神经网络、进化算法、群智能和模糊逻辑的迁移学习。与传统的机器学习方法相比，迁移学习方法可以更好地建模当前领域的数据模式。
Jun, 2022