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

迁移学习荟萃20191209

综述

理论

模型算法

多源迁移学习

异构迁移学习

在线迁移学习

小样本学习

深度迁移学习

多任务学习

强化迁移学习

迁移度量学习

终身迁移学习

相关资源

领域专家

课程

代码

数据集

  • MNIST vs MNIST-M vs SVHN vs Synth vs USPS: digit images
  • GTSRB vs Syn Signs : traffic sign recognition datasets, transfer between real and synthetic signs.
  • NYU Depth Dataset V2: labeled paired images taken with two different cameras (normal and depth)
  • CelebA: faces of celebrities, offering the possibility to perform gender or hair color translation for instance
  • Office-Caltech dataset: images of office objects from 10 common categories shared by the Office-31 and Caltech-256 datasets. There are in total four domains: Amazon, Webcam, DSLR and Caltech.
  • Cityscapes dataset: street scene photos (source) and their annoted version (target)
  • UnityEyes vs MPIIGaze: simulated vs real gaze images (eyes)
  • CycleGAN datasets: horse2zebra, apple2orange, cezanne2photo, monet2photo, ukiyoe2photo, vangogh2photo, summer2winter
  • pix2pix dataset: edges2handbags, edges2shoes, facade, maps
  • RaFD: facial images with 8 different emotions (anger, disgust, fear, happiness, sadness, surprise, contempt, and neutral). You can transfer a face from one emotion to another.
  • VisDA 2017 classification dataset: 12 categories of object images in 2 domains: 3D-models and real images.
  • Office-Home dataset: images of objects in 4 domains: art, clipart, product and real-world.
  • DukeMTMC-reid and Market-1501: two pedestrian datasets collected at different places. The evaluation metric is based on open-set image retrieval.
  • Amazon review benchmark dataset: sentiment analysis for four kinds (domains) of reviews: books, DVDs, electronics, kitchen
  • ECML/PKDD Spam Filtering: emails from 3 different inboxes, that can represent the 3 domains.
  • 20 Newsgroup: collection of newsgroup documents across 6 top categories and 20 subcategories. Subcategories can play the role of the domains, as describe in this article.

实战


初步版本,水平有限,有错误或者不完善的地方,欢迎大家提建议和补充,会一直保持更新,本文为专知内容组原创内容,未经允许不得转载,如需转载请发送邮件至fangquanyi@gmail.com 或 联系微信专知小助手(Rancho_Fang)

敬请关注http://www.zhuanzhi.ai 和关注专知公众号,获取第一手AI相关知识

最近更新:2019-12-09

精品内容

开放环境下的跨域物体检测综述
专知会员服务
22+阅读 · 7月28日
开放环境下的跨域物体检测综述
专知会员服务
25+阅读 · 5月27日
跨域遥感场景解译研究进展
专知会员服务
38+阅读 · 3月19日
面向机器人系统的虚实迁移强化学习综述
专知会员服务
37+阅读 · 2月8日
【NTU博士论文】语言模型自适应迁移学习
专知会员服务
33+阅读 · 2023年12月20日
强化学习中迁移的基础:知识形态的分类
专知会员服务
32+阅读 · 2023年12月6日
【MIT博士论文】用于口语处理的迁移学习,202页pdf
专知会员服务
27+阅读 · 2023年8月14日
【伯克利博士论文】可迁移生成模型,137页pdf
专知会员服务
53+阅读 · 2023年5月23日
复旦等最新《预训练3D点云的自监督学习》综述
专知会员服务
30+阅读 · 2023年5月10日
微信扫码咨询专知VIP会员