论文名字

Transfer Adaptation Learning: A Decade Survey

论文简介

我们看到的世界是不断变化的,它总是随着人、事物和环境的变化而变化。领域是指世界在某一时刻的状态。当不同时刻之间需要知识对应时,一个研究问题被描述为领域转移适应问题。传统的机器学习的目的是通过最小化训练数据上的规则化经验风险,找到一个对测试数据期望风险最小的模型,但是假设训练数据和测试数据具有相似的联合概率分布。迁移适应学习旨在通过从语义相关但分布不同的源域学习知识,建立能够完成目标域任务的模型它是一个充满活力的研究领域,影响力和重要性与日俱增。本文综述了迁移适应学习方法和潜在基准的最新进展。转移适应学习研究者面临着更广泛的挑战,即实例重加权适应、特征适应、分类器适应、深层网络适应和对抗性适应,这些都超出了早期的半监督和无监督分裂。该调查为研究人员提供了一个框架,以便更好地了解和确定该领域的研究现状、挑战和未来方向。

论文作者

Lei Zhang,长期从事人工智能研究,是机器学习领域专家级人物,尤其在迁移学习领域颇有建树。在研究过程中,主张机器学习要面向实践,面向实际,立志解决当前问题,AI必须要有商业驱动,方能足够长远的发展。

成为VIP会员查看完整内容
41
0

相关内容

迁移学习(Transfer Learning)是一种机器学习方法,是把一个领域(即源领域)的知识,迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果。迁移学习(TL)是机器学习(ML)中的一个研究问题,着重于存储在解决一个问题时获得的知识并将其应用于另一个但相关的问题。例如,在学习识别汽车时获得的知识可以在尝试识别卡车时应用。尽管这两个领域之间的正式联系是有限的,但这一领域的研究与心理学文献关于学习转移的悠久历史有关。从实践的角度来看,为学习新任务而重用或转移先前学习的任务中的信息可能会显着提高强化学习代理的样本效率。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
元学习(meta learning) 最新进展综述论文
专知会员服务
232+阅读 · 2020年5月8日
【综述】迁移自适应学习十年进展
专知
38+阅读 · 2019年11月26日
元学习—Meta Learning的兴起
专知
44+阅读 · 2019年10月19日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
小样本学习(Few-shot Learning)综述
云栖社区
20+阅读 · 2019年4月6日
迁移自适应学习最新综述,附21页论文下载
独家 | 一文读懂迁移学习(附学习工具包)
数据派THU
11+阅读 · 2017年7月13日
Meta-Transfer Learning for Zero-Shot Super-Resolution
Arxiv
40+阅读 · 2020年2月27日
A Comprehensive Survey on Transfer Learning
Arxiv
104+阅读 · 2019年11月7日
Transfer Adaptation Learning: A Decade Survey
Arxiv
33+阅读 · 2019年3月12日
Arxiv
44+阅读 · 2018年12月11日
Adversarial Transfer Learning
Arxiv
10+阅读 · 2018年12月6日
Deep Learning for Generic Object Detection: A Survey
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
7+阅读 · 2018年5月23日
Arxiv
6+阅读 · 2018年3月19日
小贴士
相关VIP内容
相关论文
Meta-Transfer Learning for Zero-Shot Super-Resolution
Arxiv
40+阅读 · 2020年2月27日
A Comprehensive Survey on Transfer Learning
Arxiv
104+阅读 · 2019年11月7日
Transfer Adaptation Learning: A Decade Survey
Arxiv
33+阅读 · 2019年3月12日
Arxiv
44+阅读 · 2018年12月11日
Adversarial Transfer Learning
Arxiv
10+阅读 · 2018年12月6日
Deep Learning for Generic Object Detection: A Survey
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
7+阅读 · 2018年5月23日
Arxiv
6+阅读 · 2018年3月19日
微信扫码咨询专知VIP会员