【论文|迁移自适应学习综述】Transfer Adaptation Learning: A Decade Survey

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。