• 在文本分类中，由于文本数据有其领域特殊性，因此，在一个领域上训练的分类器，不能直接拿来作用到另一个领域上，这就需要用到迁移学习。
  
• 迁移学习是机器学习中重要的研究领域，ICML、NIPS、AAAI、ICIR等国际人工智能顶会不断推出迁移学习相关主题的研讨会。
  
• 以计算机为载体，机器学习涉及统计学、概率论、凸优化、程序设计等多个子领域。

结构风险最小化

• 机器学习就是要寻找一个最优函数 $f$，使得其在所有的训练数据上达到最小的损失。上述学习目标也可以被称为 经验风险最小化 （Empirical Risk Minimization, ERM），其中的损失函数也称为 经验风险。
• 事实上，一个好的机器学习模型，不仅需要对训练数据有强大的拟合能力，还需要对未来的新数据具有足够的预测能力。结构风险最小化（Structural Risk Minimization, SRM）是统计机器学习中一个非常重要的概念。
• SRM准测要求模型在你和训练数据的基础上，也要具有相对简单的复杂性（较低的VC维（Vapnik-Chervonenkis dimension）。
• 通常采用正则化（Regularization）的方法来控制模型的复杂性。
• VC维 是用来衡量研究对象（数据集与学习模型）可学习性的指标。VC维反映了可学习性，与数据量和模型的复杂度相关。因此，VC维较低的模型，其复杂性也较低。
• 常用的正则化项有：控制样本的稀疏程度、筛选样本的L1正则化，使求解简单、避免过拟合的L2正则化，控制目标熵值的熵最小化等。

数据的概率分布

• 传统的机器学习假设模型的训练和测试数据服从同一数据分布。
• 在真实的应用中，训练数据和测试数据的分布往往不尽相同。

迁移学习的问题定义

• 领域（Domain）是学习的主体，主要由两部分构成： 数据 和 生成这些数据的概率分布。
• 一个领域可以被表示为：
  
• 两个领域：被迁移的领域和待学习的领域。被迁移的领域、含有知识的领域被称为 源领域 （Source domain，源域），而待学习的领域，被称为 目标领域（Target domain，目标域）。
  
• 领域自适应（Domain Adaptation）：前2种情形相同，第3种情形不同。
• 领域自适应的问题定义如下：
  
• 领域自适应可以被分为三种：
  • 监督领域自适应（SDA）
  • 半监督领域自适应（SSDA）
  • 无监督领域自适应（UDA）

分布差异的度量

边缘分布自适应（Marginal Distribution Adaptation）

• 边缘分布自适应的本质，与自变量偏移一样，针对的问题是源域和目标域的边缘概率分布不同，$P_s(x)\ne P_t(x)$的情况。
• 自变量漂移同时假设二者的条件概率分布相同，即 $P_s(y|x)\approx P_t(y|x)$。
• 在这个假设的前提下，边缘分布自适应方法的目标是：减少源域和目标域的边缘概率分布的距离。
  $$D(P_s(x,y),P_t(x,y))\approx D(P_s(x),P_t(x))$$

动态分布自适应（Dynamic Distribution Adaptation）

分布差异的统一表征

分布自适应因子的计算

• 随机猜测法和最大最小平均法。这两种方法需要大量的重复计算，结果并不具有可解释性。
• 动态迁移方法。A-distance 被定义为建立一个二分类器进行不同领域的分类得出的误差。
  
  
• 由于特征的动态和渐进变化性，此估计需要在每一轮迭代中给出。

迁移学习统一表征

• $\mathbf{v}\in {\mathbb{R}}^{N_s}$ 为源域样本的权重。
• $T$ 为作用于源域和目标域上的特征变换函数。
• $R(T({\mathcal{D}}_s),T({\mathcal{D}}_t))$ 为迁移正则化项（Transfer Regularization）。
• 迁移学习可以被概括为寻找合适的迁移正则化项的问题。
• 通过对 $v_i$ 和 $T$ 取不同的情况，派生出三大类的迁移学习方法：
  

样本权重迁移法

特征变换迁移法

• 目标是：如何求解特征变换 $T$，使得特征变化后的源域和目标域的概率分布差异达到最小。
  
• 从生成对抗网络的观点来看，网络中的判别器用来判断数据来自真实图像还是噪声，当其无法分别真实图像和噪声产生的图像时，我们认为判别器学习到了领域不变的特征。这种判别器可以被看成一种隐式距离。

模型预训练迁移法

总结