遷移學習算法

本書首先從遷移學習採用的技術出發，系統介紹每一類遷移學習算法，包括基於矩陣分解、
主題分析、傳統深度學習、對抗生成深度學習、集成學習以及圖神經網絡等的遷移學習算法。
針對每一類算法介紹具有代表性的幾種工作，從算法動機、算法原理、算法流程等方面重點進行介紹。
然後針對遷移學習的應用場景，介紹典型的應用案例。最後，介紹遷移學習在百度飛槳平台上的實踐。

目錄
序
前言
作者簡介
第1章緒論1
1.1遷移學習緣起1
1.2學習的遷移理論2
1.3遷移學習定義4
1.4遷移學習與已有學習範式的關係5
1.5遷移學習未來的研究方向8
第2章基於非負矩陣分解的遷移學習算法10
2.1問題定義10
2.2基於共享詞簇的知識遷移11
2.3基於相似概念（共享詞簇-文檔簇關聯）的知識遷移12
2.4同時考慮相同和相似概念的知識遷移15
2.5綜合考慮相同、相似、差異概念的知識遷移17
2.6軟關聯的知識遷移21
2.7本章小結24
第3章基於概率模型的遷移學習算法26
3.1問題定義26
3.2基於EM算法的樸素貝葉斯遷移算法28
3.3基於概率潛在語義分析的主題共享領域遷移算法30
3.4基於協同對偶概率潛在語義分析的多域領域遷移33
3.5更普適的基於潛在語義分析的多域領域遷移36
3.6基於組對齊的跨領域標籤主題模型39
3.7基於粗粒度對齊主題模型的跨領域文本分類40
3.8本章小結42
第4章基於傳統深度學習的遷移學習方法43
4.1問題定義43
4.2基於深度自編碼器的遷移學習方法44
4.3深度領域自適應網絡45
4.4深度子領域自適應網絡48
4.5多表示自適應網絡51
4.6同時對齊分佈和分類器的多源自適應方法54
4.7基於注意力特徵圖的深度遷移學習方法57
4.8本章小結61
第5章基於對抗深度學習的遷移學習方法62
5.1問題定義64
5.2領域對抗神經網絡64
5.3同時遷移領域和任務的遷移學習方法67
5.4基於生成對抗網絡的像素級領域自適應方法70
5.5*大化分類器一致性的無監督領域自適應方法73
5.6循環一致對抗領域自適應方法77
5.7本章小結79
第6章基於模型融合的遷移學習算法80
6.1問題定義82
6.2基於Boosting的模型融合82
6.3有監督與無監督的融合88
6.4基於優化目標正則化的方法98
6.5基於錨點的集成學習101
6.6本章小結104
第7章基於圖神經網絡的遷移學習算法105
7.1問題定義106
7.2同質圖神經網絡的遷移學習算法106
7.3異質圖神經網絡的遷移學習算法114
7.4本章小結120
第8章多任務學習121
8.1問題定義122
8.2傳統多任務學習122
8.3基於深度神經網絡的多任務學習134
8.4本章小結141
第9章多視圖學習算法143
9.1問題定義143
9.2基於概率潛在語義分析的多視圖學習144
9.3基於*大間隔原則的多視圖學習148
9.4基於子空間聚類方法的多視圖學習155
9.5基於完整空間方法的多視圖學習159
9.6多任務多視圖學習164
9.7推薦系統和人機對話領域的多視圖學習方法172
9.8本章小結180
第10章遷移學習應用181
10.1自然語言處理中的應用181
10.2計算機視覺中的應用187
10.3推薦系統中的應用205
10.4金融風控中的應用215
10.5城市計算中的應用217
10.6本章小結230
第11章百度飛槳遷移學習應用實踐231
11.1深度學習框架介紹231
11.2遷移學習在視頻分類中的實踐案例233
11.3遷移學習在目標檢測中的實踐案例241
11.4本章小結249
參考文獻250