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。

Aug, 2017

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

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

该论文综述了迁移学习中的一个具有代表性的子领域——领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。

Apr, 2020

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

本研究旨在探讨部分相似性对转移学习表现的影响，在探究各种类型的转移学习的基础上，提供了实用的指导，以确定共同部分和任务特定部分的特征数，从而实现更好的泛化性能。

Jun, 2023

介绍了非参数迁移学习(NPTL)，这是一种灵活的后验抽样方法，用于解决非参数学习的上下文中的分布偏移问题。通过大量的实证验证，证明我们的方法在BMA性能方面超过了其他基线模型。

Mar, 2024

使用迁移学习和先验分布来提高分类器准确性，发现使用初始化的标准迁移学习在性能上表现比以前的研究要好得多，使用信息先验的方法在不同数据集上的相对收益不同，其中使用各向同性协方差矩阵的方法在可理解性和调整性上具有竞争力

May, 2024

本文简要介绍了学习动态贝叶斯网络（DBNs）的基本原理及其在变量分布、学习方法和优化方面的应用。

Jun, 2024

本研究解决了在迁移学习中面临的挑战性问题，即学习者无法在目标任务中进行微调且不知源数据点与目标任务之间的对应关系。我们提出了一种基于代理信息的稳健概率迁移学习方法（PROMPT），能够在没有目标任务结果信息的情况下，利用代理信息进行目标任务效果的估计和源数据的稳健重加权。PROMPT的应用将促进迁移学习在未知源的情况下实现更有效的效果转移，从而降低负迁移风险。

Nov, 2024