本書從初學者角度出發(fā)，以"講課”的形式，歸納分析各類遷移學習方法，使讀者能快速理解遷移學習的本質(zhì)問題、抓住重點、舉一反三、迅速入門。它的一大亮點是對"兩頭"的把握：一是源頭，抓問題和場景，做到"師出有名”，講清楚針對什么問題、用在哪里；二是筆頭，抓代碼與實踐，做到"落地結(jié)果”，在實戰(zhàn)中鞏固和深化對技術的理解。本書同時配套豐富的在線學習資源。
王晉東微軟亞洲研究院研究員，博士畢業(yè)于中國科學院計算技術研究所，主要從事遷移學習、機器學習和深度學習方面的研究。研究成果發(fā)表在IEEE TKDE、IEEE TNNLS、NeurIPS、CVPR、IJCAI、IMWUT等頂級期刊和會議；獲得國家獎學金、中國科學院優(yōu)秀博士論文獎、IJCAI聯(lián)邦學習研討會最佳應用論文獎等。擔任國際會議IJCAI 2019的宣傳主席，擔任TPAMI、TKDE、ICML、NeurIPS、ICLR等的審稿人或程序委員會委員。熱心知識分享，領導維護著GitHub上廣受歡迎的遷移學習開源庫，獲得超過1萬星標；在知乎的博客文章瀏覽次數(shù)逾1000萬次，幫助眾多學術界和工業(yè)界人士快速入門遷移學習。陳益強中國科學院計算技術研究所所務委員、研究員、CCF Fellow，主要研究人機交互與普適計算，聯(lián)邦學習與遷移學習等。任北京市移動計算與新型終端重點實驗室主任、中科院計算所泛在計算系統(tǒng)研究中心主任；曾入選國家“萬人計劃”科技創(chuàng)新領軍人才、科技部中青年科技創(chuàng)新領軍人才、北京市科技新星等；國務院特殊津貼專家，東京大學、南洋理工大學兼職教授，IEEE計算智能等6個刊物的編委，IEEE可穿戴與智能交互技術委員會創(chuàng)始委員等。獲 IJCAI-FL等人工智能和普適計算領域最佳論文獎 6 項；相關成果獲國家科技進步二等獎及中國計算機學會技術發(fā)明一等獎等。
第I 部分遷移學習基礎
1 緒論3
1.1 遷移學習3
1.2 相關研究領域7
1.3 遷移學習的必要性8
1.3.1 大數(shù)據(jù)與少標注之間的矛盾9
1.3.2 大數(shù)據(jù)與弱計算能力的矛盾9
1.3.3 有限數(shù)據(jù)與模型泛化能力的矛盾.10
1.3.4 普適化模型與個性化需求的矛盾.11
1.3.5 特定應用的需求 11
1.4 遷移學習的研究領域12
1.4.1 按特征空間分類 13
1.4.2 按目標域有無標簽分類 13
1.4.3 按學習方法分類 13
1.4.4 按離線與在線形式分類 14
1.5 學術界和工業(yè)界中的遷移學習15
1.6 遷移學習的應用18
1.6.1 計算機視 覺19
1.6.2 自然語言處理 21
1.6.3 語音識別與合成 23
1.6.4 普適計算與人機交互25
1.6.5 醫(yī)療健康 28
1.6.6 其他應用領域30
參考文獻
2 從機器學習到遷移學習48
2.1 機器學習基礎48
2.1.1 機器學習概念48
2.1.2 結(jié)構(gòu)風險最小化 49
2.1.3 數(shù)據(jù)的概率分布 50
2.2 遷移學習定義52
2.3 遷移學習基本問題 55
2.3.1 何時遷移 55
2.3.2 何處遷移 56
2.3.3 如何遷移 58
2.4 失敗的遷移：負遷移 58
2.5 一個完整的遷移學習過程 60
參考文獻61
3 遷移學習方法總覽63
3.1 分布差異的度量 63
3.2 分布差異的統(tǒng)一表征66
3.2.1 分布自適應因子的計算 67
3.3 遷移學習方法統(tǒng)一表征68
3.3.1 樣本權重遷移法 70
3.3.2 特征變換遷移法 70
3.3.3 模型預訓練遷移法 71
3.4 上手實踐72
3.4.1 數(shù)據(jù)準備 .73
3.4.2 基準模型構(gòu)建：KNN 75
參考文獻76
4 樣本權重遷移法78
4.1 問題定義78
4.2 基于樣本選擇的方法 80
4.2.1 基于非強化學習的樣本選擇法 81
4.2.2 基于強化學習的樣本選擇法82
4.3 基于權重自適應的方法 83
4.4 上手實踐 85
4.5 小結(jié) 88
參考文獻88
5 統(tǒng)計特征變換遷移法93
5.1 問題定義93
5.2 最大均值差異法94
5.2.1 基本概念 94
5.2.2 基于最大均值差異的遷移學習96
5.2.3 求解與計算 99
5.2.4 應用與擴展 101
5.3 度量學習法102
5.3.1 度量學習 102
5.3.2 基于度量學習的遷移學習 104
5.4 上手實踐 105
5.5 小結(jié)108
參考文獻108
6 幾何特征變換遷移法 111
6.1 子空間變換法111
6.1.1 子空間對齊法112
6.1.2 協(xié)方差對齊法113
6.2 流形空間變換法 114
6.2.1 流形學習 114
6.2.2 基于流形學習的遷移學習方法 115
6.3 最優(yōu)傳輸法 118
6.3.1 最優(yōu)傳輸 118
6.3.2 基于最優(yōu)傳輸法的遷移學習方法 119
6.4 上手實踐 121
6.5 小結(jié) 122
參考文獻 123
7 遷移學習理論、評測與模型選擇125
7.1 遷移學習理論 125
7.1.1 基于H-divergence 的理論分析 126
7.1.2 基于HΔH-distance 的理論分析.128
7.1.3 基于差異距離的理論分析 129
7.1.4 結(jié)合標簽函數(shù)差異的理論分析 130
7.2 遷移學習評測 131
7.3 遷移學習模型選擇132
7.3.1 基于密度估計的模型選擇 133
7.3.2 遷移交叉驗證133
7.4 小結(jié)134
參考文獻 135
第II 部分現(xiàn)代遷移學習
8 預訓練– 微調(diào) 139
8.1 深度神經(jīng)網(wǎng)絡的可遷移性 140
8.2 預訓練??微調(diào) 143
8.2.1 預訓練– 微調(diào)的有效性 144
8.3 遷移學習中的正則 145
8.4 預訓練模型用于特征提取148
8.5 學習如何微調(diào) 149
8.6 上手實踐 151
8.7 小結(jié) 155
參考文獻155
9 深度遷移學習 158
9.1 總體思路159
9.2 深度遷移學習的網(wǎng)絡結(jié)構(gòu)160
9.2.1 單流結(jié)構(gòu) 161
9.2.2 雙流結(jié)構(gòu) 161
9.3 數(shù)據(jù)分布自適應方法163
9.4 結(jié)構(gòu)自適應的深度遷移學習方法165
9.4.1 基于批歸一化的遷移學習 165
9.4.2 基于多表示學習的遷移網(wǎng)絡結(jié)構(gòu).166
9.4.3 基于解耦的深度遷移方法 168
9.5 知識蒸餾 169
9.6 上手實踐170
9.6.1 網(wǎng)絡結(jié)構(gòu) 171
9.6.2 遷移損失 174
9.6.3 訓練和測試 179
9.7 小結(jié)183
參考文獻184
10 對抗遷移學習 187
10.1 生成對抗網(wǎng)絡與遷移學習187
10.2 數(shù)據(jù)分布自適應的對抗遷移方法189
10.3 基于最大分類器差異的對抗遷移方法192
10.4 基于數(shù)據(jù)生成的對抗遷移方法 194
10.5 上手實踐195
10.5.1 領域判別器 195
10.5.2 分布差異計算 .196
10.5.3 梯度反轉(zhuǎn)層 197
10.6 小結(jié)198
參考文獻198
11 遷移學習的泛化200
11.1 領域泛化200
11.2 基于數(shù)據(jù)操作的領域泛化方法203
11.2.1 數(shù)據(jù)增強和生成方法 203
11.2.2 基于Mixup 的數(shù)據(jù)生成方法 .205
11.3 領域不變特征學習206
11.3.1 核方法：領域不變成分分析 .206
11.3.2 深度領域泛化方法.208
11.3.3 特征解耦 210
11.4 用于領域泛化的不同學習策略212
11.4.1 基于集成學習的方法 212
11.4.2 基于元學習的方法213
11.4.3 用于領域泛化的其他學習范式 215
11.5 領域泛化理論215
11.5.1 平均風險預估誤差上界 215
11.5.2 泛化風險上界217
11.6 上手實踐17
11.6.1 數(shù)據(jù)加載 218
11.6.2 訓練和測試 220
11.6.3 示例方法：ERM 和CORAL.222
11.7 小結(jié)225
參考文獻225
12 安全和魯棒的遷移學習232
12.1 安全遷移學習232
12.1.1 遷移學習模型可以被攻擊嗎233
12.1.2 抵制攻擊的方法233
12.1.3 ReMoS：一種新的安全遷移學習方法 235
12.2 聯(lián)邦學習和遷移學習 238
12.2.1 聯(lián)邦學習 238
12.2.2 面向非獨立同分布數(shù)據(jù)的個性化聯(lián)邦學習 241
12.2.3 模型自適應的個性化遷移學習 242
12.2.4 基于相似度的個性化聯(lián)邦學習 243
12.3 無需源數(shù)據(jù)的遷移學習244
12.3.1 信息最大化方法 246
12.3.2 特征匹配方法 247
12.4 基于因果關系的遷移學習248
12.4.1 什么是因果關系 248
12.4.2 因果關系與遷移學習 250
12.5 小結(jié)254
參考文獻254
13 復雜環(huán)境中的遷移學習 260
13.1 類別非均衡的遷移學習260
13.2 多源遷移學習263
13.3 開放集遷移學習265
13.4 時間序列遷移學習267
13.4.1 AdaRNN：用于時間序列預測的遷移學習 269
13.4.2 DIVERSIFY：用于時間序列分類的遷移學習271
13.5 在線遷移學習 273
13.6 小結(jié)276
參考文獻276
14 低資源學習281
14.1 遷移學習模型壓縮 281
14.2 半監(jiān)督學習284
14.2.1 一致性正則化方法285
14.2.2 偽標簽和閾值法 287
14.3 元學習290
14.3.1 基于模型的元學習方法 .292
14.3.2 基于度量的元學習方法 .293
14.3.3 基于優(yōu)化的元學習方法 .295
14.4 自監(jiān)督學習 297
14.4.1 構(gòu)造輔助任務 .298
14.4.2 對比自監(jiān)督學習 .299
14.5 小結(jié)300
參考文獻301
第III 部分遷移學習的應用與實踐
15 計算機視覺中的遷移學習實踐309
15.1 目標檢測309
15.1.1 任務與數(shù)據(jù) 309
15.1.2 加載數(shù)據(jù) 310
15.1.3 模型 313
15.1.4 訓練和測試 313
15.2 神經(jīng)風格遷移315
15.2.1 數(shù)據(jù)加載 315
15.2.2 模型 316
15.2.3 訓練 317
參考文獻319
16 自然語言處理中的遷移學習實踐320
16.1 情緒分類任務及數(shù)據(jù)集320
16.2 模型322
16.3 訓練和測試323
16.4 預訓練??微調(diào)324
參考文獻325
17 語音識別中的遷移學習實踐326
17.1 跨領域語音識別 326
17.1.1 語音識別中的遷移損失 327
17.1.2 CMatch 算法實現(xiàn).328
17.1.3 實驗及結(jié)果 332
17.2 跨語言語音識別333
17.2.1 適配器模塊 334
17.2.2 基于適配器進行跨語言語音識別335
17.2.3 算法：MetaAdapter 和SimAdapter .336
17.2.4 結(jié)果與討論 337
參考文獻339
18 行為識別中的遷移學習實踐340
18.1 任務及數(shù)據(jù)集340
18.2 特征提取341
18.3 源域選擇342
18.4 使用TCA 方法進行非深度遷移學習344
18.5 深度遷移學習用于跨位置行為識別345
參考文獻350
19 醫(yī)療健康中的聯(lián)邦遷移學習實踐351
19.1 任務和數(shù)據(jù)集351
19.1.1 模型結(jié)構(gòu) 355
19.2 聯(lián)邦學習基礎算法FedAvg 356
19.2.1 客戶端更新 357
19.2.2 服務器端更新 .357
19.2.3 結(jié)果 358
19.3 個性化聯(lián)邦學習算法AdaFed 359
19.3.1 相似度矩陣計算 .359
19.3.2 服務器端通信 .361
19.3.3 結(jié)果 362
參考文獻362
20 回顧與展望364
參考文獻367
附錄368
常用度量準則368
常見的幾種距離 .368
余弦相似度 .369
互信息.369
相關系數(shù) .369
KL 散度與JS 距離 370
最大均值差異MMD .370
Principal Angle .371
A-distance 371
Hilbert-Schmidt Independence Criterion 371
Wasserstein Distance 372
常用數(shù)據(jù)集372
手寫體識別圖像數(shù)據(jù)集 373
對象識別數(shù)據(jù)集 .374
圖像分類數(shù)據(jù)集 .374
通用文本分類數(shù)據(jù)集.375
行為識別公開數(shù)據(jù)集.375
相關期刊會議376
遷移學習資源匯總377
參考文獻378
書單推薦
