《表3 基于实例、特征、网络、关系的4种迁移学习对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《异构迁移学习研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

若按迁移方法进行分类，根据在知识迁移的环节中迁移的内容可以分为基于实例的迁移学习、基于特征的迁移学习、基于网络的迁移学习及基于关系的迁移学习4类[7]，具体见表3。基于实例的迁移学习是从源域中挑出合适的样本用于辅助目标域训练，这类迁移学习的一个典型算法是Tr AdaBoost算法[8]，对辅助数据集的样本重新加权以接近目标域的分布，并利用该部分加权的样本及目标域自身样本共同训练出良好模型。基于特征的迁移学习将源域与目标域的样本转换到新的特征空间中，让两域的样本分布尽量靠近。Long等[9]基于多核最大均值差异（multi-kernel maximum mean discrepancy，MK-MMD），实现最小化两域之间的距离。基于网络的迁移学习复用通过源域样本训练好的网络，这里面的网络结构或参数都可以作为迁移的内容。Yosinski等[10]指出LeNet、AlexNet、VGG、Inception等都是良好的迁移网络。基于关系的迁移学习利用源域数据之间的关系与目标域数据之间的关系暗含的相关性进行迁移学习。Davis等[11]基于二阶马尔可夫逻辑形式，挖掘出源域的一系列结构规律，并将规律应用于目标域中完成知识迁移。