迁移学习的方法主要包括：基于样本的迁移，基于特征的迁移，基于模型的迁移和基于关系的迁移。
“迁移学习的总体思路可以概括为:开发算法来最大限度地利用有标注的领域的知识，来辅助目标领域的知识获取和学习。”
“找到相似性 (不变量)，是进行迁移学习的核心。有了这种相似性后，下一步工作就是，如何度量和利用这种相似性。度量这种相似性，本质上就4-是找一个变换使得源域和目标域的距离最小(相似度最大)。”
距离和相似度度量准则包括：
（1）欧氏距离
（2）Minkowski distance
（3）马氏距离
（3）余弦相似度
（4）互信息
（5）皮尔逊相关系数
（6）Jaccard 相关系数
（7）KL 散度（Kullback–Leibler divergence），又叫做相对熵
（8）JS 距离（Jensen–Shannon divergence），基于 KL 散度发展而来，是对称度量
（9）最大均值差异 MMD（Maximum mean discrepancy）
（10）Principal Angle
（11）A-distance
（12）希尔伯特-施密特独立性系数，Hilbert-Schmidt Independence Criterion，用来检验两组
数据的独立性
（本文引自http://jd92.wang/assets/files/transfer_learning_tutorial_wjd.pdf）
网友评论