摘要：传递迁移学习是利用源域知识来提高目标域学习能力的一种学习方法，已在各种应用中被证明是有效的。迁移学习的一个主要限制是源域和目标域应该是直接相关的，如果两个领域之间几乎没有重叠，则在这些领域之间执行知识转移将无效。受人类传递性推理和学习能力的启发，利用辅助概念将两个看似无关的概念通过一系列中间桥连接起来，本文研究了一个新的学习问题：传递性转移学习（transitive Transfer learning，简称TTL）。TTL的目的是在源域和目标域直接共享少量因素的情况下，打破大的域距离，传递
A Survey on Transfer Learning迁移学习综述，香港科技大学杨强教授团队于2010年10月发表在IEEE Transactions on Knowledge and Data Engineering, VOL.22, NO.10
关键词：迁移学习；综述；机器学习；数据挖掘
1.引言
2.概述
3.归纳迁移学习
4.直推式迁移学习
5.无监督迁移学习
6.迁移界限和负迁移
7.迁移学习的应用
8.结论
网络技术的发展为今天全球性的信息交流与资在建立源共享和交往提供了更多的途径和可能。足不出户便可以知晓天下大事按几下键盘或点几下鼠标可以与远在千里之外的朋友交流网上通信、网上浏览、网上交互、网上电子商务已成为现代人们生活的一部分。
Internet 时代 造就了人们新的工作和生活方式其互联性、开放性和共享信息的模式打破了传统信息传播方式的重重壁垒为人们带来了新的机遇。随着计算机和信息时代的到来人类社会前进的脚步在逐渐加快。近几年网页设计发展快得人目不暇接。随着网页设计技术的发展丰富多彩的网页
Deep Subdomain Adaptation Network for Image Classification(用于图像分类的深度子域自适应网络)王晋东2020年最新文章全文翻译。
对于没有标记数据的目标任务，域适应可以将知识从不同的源域迁移过来。以往的深度域适应方法主要是学习全局的域迁移，即对齐源域和目标域的全局分布，而不考虑同一类别不同域中的两个子域之间的关系，在没有捕捉到细粒度信息的情况下导致迁移学习效果不佳。近年来，越来越多的研究者开始关注子域自适应问题，重点是准确地对齐相关子域的
