内容框架

系列文章

《迁移学习》chap01 绪论

Chap 02 基于样本的迁移学习

2.1 引用

基于样本的迁移学习的两个关键问题：

• 如何筛选出源域中与目标域数据具有相似分布的有标签样本。
• 如何利用这些“相似”的数据训练处一个更准确的目标域上的学习模型。

如果源域和目标域的边缘分布不同，但条件概率分布相同，则将问题称为** 非归纳式迁移学习（NTL）**
如果源域和目标域的边缘分布不同，且条件概率分布不同，则将问题称为** 归纳式迁移学习（ITL）**

在NTL中，目标域数据可以无标注，但在ITL中，目标域数据需要部分被标注。

2.2 NTL

2.3 ITL

为了同时利用源域和目标域的有标签数据，直观方法： 将损失函数分为两个部分：一个用于源域有标签数据，另一个用于目标域有标签数据。 需引入协调参数平衡两种损失的影响。

除了重复利用源域有标记数据，另一个方法就是建立一个生成模型来为目标域生成新的样本。
生成图片的损失函数又两部分组成：内容损失和风格损失。