Transfer Learning Survey综述笔记

论文摘要：许多机器学习和数据挖掘算法中的一个主要假设是，训练数据和将来的数据必须在相同的特征空间中并且具有相同的分布。但是，在许多实际应用中，此假设可能不成立。例如，有时我们在一个感兴趣的领域中有一个分类任务，但在另一个感兴趣的领域中我们只有足够的训练数据，其中后者的数据可能在不同的特征空间中或遵循不同的数据分布。在这种情况下，知识转移（如果成功完成）将通过避免昂贵的数据标记工作来极大地提高学习效果。近年来，转移学习已经成为解决这个问题的新的学习框架。这项调查的重点是对分类，回归和聚类问题的转移学习进行分类和审查。在本次调查中，我们讨论了转移学习与其他相关机器学习技术（例如领域自适应，多任务学习和样本选择偏差以及协变量偏移）之间的关系。我们还将探讨转移学习研究中的一些潜在的未来问题。