- ACL跨任务和领域的技术问答
本文提出了一种基于深度迁移学习的可调节联合学习方法，以有效地解决技术问答中的文档检索和阅读理解任务，并在 TechQA 上进行了实验验证，相较于现有方法表现更为优越。
- MM环境反漏信号检测的深度迁移学习
本文提出了一种基于深度迁移学习 (CNN) 和最小误差概率标准 (MEP) 的 DTL 检测框架，旨在消除通道估计需求以提高 AmBC 系统的性能，结果表明该方法的误码率性能可与完美 CSI 的最优检测方法相媲美。
- SIGIR领英深度职位理解
该研究论文介绍了 LinkedIn 如何利用深度迁移学习方法和专家反馈循环来改进其职位理解模型，从而提高职位推荐系统的准确性和雇佣效率。
- MM利用深度迁移学习在任意传感器几何结构下进行稀疏数组选择
介绍了一种使用深度迁移学习的方法对传感器阵列进行选择，提高了方向估计的精度，其精度比传统方法高 20% 左右。
- MM基于深度迁移学习的 FDD 大规模 MIMO 系统下行信道预测
本文提出一种结合深度迁移学习和元学习的算法，以预测频分双工大规模多输入多输出系统下行信道状态信息 (CSI)。模拟结果表明，该算法在新环境中具有更好的表现，且元学习算法比直接迁移算法具有更高的预测准确性和稳定性。
- 动态对抗适应网络的迁移学习
该论文提出了一种新的动态对抗自适应网络（DAAN），旨在在量化评估全局和本地域分布的相对重要性的同时，动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练，并取得了比现有方法更好的 - 动态分布自适应的迁移学习
本文提出了一种名为 DDA（动态分布适应）的新概念，可以对每个分布的相对重要性进行定量评估并解决传输学习问题，进而提出两种新的学习算法 MDDA 和 DDAN，得到了显著改善传输学习性能的结果。
- GLoMo: 无监督学习关系图作为可迁移的表示
本研究提出基于关系图的深度传递学习框架，从大规模未标记的数据中学习通用潜在关系图，并将其转移到各种下游任务中，包括问题回答、自然语言推理、情感分析和图像分类，表明所学习的关系图具有足够广泛的适用性。
- 深度迁移学习：一个新的高级 LIGO 深度学习故障分类方法
该研究应用了深度迁移学习技术，利用卷积神经网络根据光谱图像准确地分类毛刺现象，对于长时间运作的先进激光干涉重力波探测器，此方法提供了一种动态分类毛刺现象的新框架。
- 深度转移学习用于人员再认证
本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识