迁移学习研究进展

摘要: 近年来，迁移学习已经引起了广泛的关注。迁移学习是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。传统机器学习基于两个基本假设：(1) 用于学习的训练样本与新的测试样本满足独立同分布的条件；(2) 必须有足够可利用的训练样本才能学习得到一个好的分类模型。迁移学习降低了要求，目的是迁移已有的知识来解决目标领域中仅有少量或没有有标签样本数据时的学习问题。本文对迁移学习算法以及相关理论研究进展进行了综述，并介绍了我们在该领域所做的研究工作，特别是利用生成模型在概念层面建立迁移学习模型。最后指出了迁移学习下一步可能的研究方向。