本文探讨了深度学习中的迁移学习的效果与代价，结果提供了关于使用迁移学习的指南。
Nov, 2022
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
该论文介绍了迁移学习在无线网络中的应用，包括定义、分类、技术类型以及用于解决下一代网络（如 5G 及更高版本）中的问题的不同迁移学习方法，其主要目的是为了应对现有机器学习模式的挑战，如缺乏带标签的数据、无线环境的不断变化、训练过程时间长、以及设备容量不足等等，并且展望了迁移学习在未来无线网络中的重要挑战、开放性问题和未来研究方向。
Feb, 2021
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
本文介绍了一种新的技术和框架，称为联邦迁移学习（FTL），它可以在数据联邦下提高统计模型的性能。该联邦允许共享知识而不会危及用户隐私，并可在网络中传输补充知识，从而使目标域方能够利用源域方的丰富标签构建更加灵活和强大的模型。同时，为了在联邦下保护 FTL 的性能，还提出了一种安全的跨验证方法。该框架需要对现有模型结构进行最小的修改，并提供与非隐私保护方法同样水平的准确性。该框架非常灵活，可有效适应各种安全多方机器学习任务。
Dec, 2018
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。
Oct, 2023
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
本文综述了过去十年中 TAL 方法学术的进展和技术挑战，并提出了广义解决方案，包括实例重新加权适应、特征适应、分类器适应、深度网络适应和对抗适应，以实现全面的理解和未来挑战的安全应用。
Mar, 2019
介绍了机器学习中领域自适应和转移学习的数据分布变化问题，分类模型的风险最小化框架及其在复杂变化中的应用，并讨论了多种方法来解决这些问题，但要实现实用化仍需解决许多问题。
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