遷移學習（簡體書）

本書是關於遷移學習的基礎、方法、技術和應用的一本書。內容分成兩個部分：第壹部分介紹了遷移學習的基礎。第二部分涵蓋了遷移學習的許多應用領域。遷移學習解決的是學習系統如何快速地適應新場景、新任務和新環境。其研究涉及科學和工程的許多領域，包括人工智能、算法理論、概率和統計等。本書是一本供經驗豐富的機器學習研究人員和應用程序開發人員使用的參考書。

遷移學習“開山之作”，含算法、理論、應用方面成熟且成體系的總結，解決人工智能的“最後一公里”問題。

推薦序
譯者序
前　言
第一部分　遷移學習的基礎
第1章　緒論/2
1.1　人工智能、機器學習以及遷移學習/2
1.2　遷移學習：定義/6
1.3　與已有機器學習範式的關係/9
1.4　遷移學習的基礎研究問題/11
1.5　遷移學習應用/11
　1.5.1　圖像理解/11
　1.5.2　生物信息學和生物成像/12
　1.5.3　推薦系統和協同過濾/12
　1.5.4　機器人和汽車自動駕駛/13
　1.5.5　自然語言處理和文本挖掘/13
1.6　歷史筆記/14
1.7　關於本書/15
第2章　基於樣本的遷移學習/19
2.1　引言/19
2.2　基於樣本的非歸納式遷移學習/20
　2.2.1　判別區分源數據和目標數據/22
　2.2.2　核平均匹配/23
　2.2.3　函數估計/23
2.3　基於樣本的歸納式遷移學習/24
　2.3.1　集成源損失與目標損失/24
　2.3.2　Boosting風格的方法/26
　2.3.3　樣本生成方法/27
第3章　基於特徵的遷移學習/29
3.1　引言/29
3.2　最小化域間差異/30
　3.2.1　最大均值差異/30
　3.2.2　基於Bregman散度的正則化/34
　3.2.3　使用特定分佈假設的度量/34
　3.2.4　數據依賴的域差異度量/35
3.3　學習通用特徵/36
　3.3.1　學習通用編碼/36
　3.3.2　深度通用特徵/37
3.4　特徵增強/38
第4章　基於模型的遷移學習/40
4.1　引言/40
4.2　基於共享模型成分的遷移學習/42
　4.2.1　利用高斯過程的遷移學習/42
　4.2.2　利用貝葉斯模型的知識遷移/43
　4.2.3　利用深度模型的模型遷移/44
　4.2.4　其他方法/45
4.3　基於正則化的遷移/45
　4.3.1　基於支持向量機的正則化/46
　4.3.2　基於多核學習的遷移學習/47
　4.3.3　深度模型中的微調方法/48
第5章　基於關係的遷移學習/52
5.1　引言/52
5.2　馬爾可夫邏輯網絡/54
5.3　利用馬爾可夫網絡的基於關係的遷移學習/55
　5.3.1　通過一階邏輯的淺層遷移/55
　5.3.2　通過二階邏輯的深度遷移/57
　5.3.3　通過結構類比的遷移學習/59
第6章　異構遷移學習/61
6.1　引言/61
6.2　異構遷移學習問題/63
6.3　方法/63
　6.3.1　異構特徵空間/64
　6.3.2　異構標簽空間/78
6.4　應用/79
第7章　對抗式遷移學習/82
7.1　引言/82
7.2　生成對抗網絡/83
7.3　採用對抗式模型的遷移學習/86
　7.3.1　生成目標域數據/87
　7.3.2　通過對抗式學習來學習域不變特徵/89
7.4　討論/91
第8章　強化學習中的遷移學習/92
8.1　引言/92
8.2　背景/93
　8.2.1　強化學習/94
　8.2.2　強化學習任務中的遷移學習/95
　8.2.3　遷移學習在強化學習中的目標/96
　8.2.4　遷移強化學習分類/98
8.3　任務間遷移學習/99
　8.3.1　基於樣本的遷移/99
　8.3.2　基於特徵的遷移/100
　8.3.3　基於模型的遷移/103
　8.3.4　解決“遷移時機”問題/105
8.4　域間遷移學習/105
　8.4.1　基於樣本的遷移/106
　8.4.2　基於特徵的遷移/107
　8.4.3　基於模型的遷移/108
第9章　多任務學習/109
9.1　引言/109
9.2　定義/111
9.3　多任務監督學習/111
　9.3.1　基於特徵的多任務監督學習/112
　9.3.2　基於模型的多任務監督學習/114
　9.3.3　基於樣本的多任務監督學習/120
9.4　多任務無監督學習/120
9.5　多任務半監督學習/120
9.6　多任務主動學習/121
9.7　多任務強化學習/121
9.8　多任務在線學習/121
9.9　多任務多視圖學習/122
9.10　並行與分布式多任務學習/122
第10章　遷移學習理論/123
10.1　引言/123
10.2　多任務學習的泛化界/124
10.3　監督遷移學習的泛化界/127
10.4　無監督遷移學習的泛化界/129
第11章　傳導式遷移學習/131
11.1　引言/131
11.2　混合圖上的傳導式遷移學習/133
　11.2.1　問題定義/134
　11.2.2　混合遷移算法/135
11.3　基於隱性特徵表示的傳導式遷移學習/137
　11.3.1　問題定義/137
　11.3.2　耦合的矩陣三因子分解算法/138
11.4　基於深度神經網絡的傳導式遷移學習/141
　11.4.1　問題定義/141
　11.4.2　選擇學習算法/142
第12章　自動遷移學習：學習如何自動遷移/146
12.1　引言/146
12.2　L2T框架/147
12.3　參數化“遷移什麼”/148
　12.3.1　基於公共隱空間的算法/149
　12.3.2　基於流形集成的算法/149
12.4　從經驗中學習/149
　12.4.1　源域和目標域之間的差異/149
　12.4.2　目標域判別能力/151
　12.4.3　優化問題/151
12.5　推斷“遷移什麼”/151
12.6　與其他學習範式的聯繫/152
　12.6.1　遷移學習/152
　12.6.2　多任務學習/153
　12.6.3　終身機器學習/153
　12.6.4　自動化機器學習/153
第13章　小樣本學習/155
13.1　引言/155
13.2　零樣本學習/156
　13.2.1　概述/156
　13.2.2　零樣本學習算法/157
13.3　單樣本學習/161
　13.3.1　概述/161
　13.3.2　單樣本學習算法/161
13.4　貝葉斯規劃學習/163
　13.4.1　概述/163
　13.4.2　用於識別字符筆劃的貝葉斯規劃學習/163
13.5　短缺資源學習/166
　13.5.1　概述/166
　13.5.2　機器翻譯/166
13.6　域泛化/168
　13.6.1　概述/168
　13.6.2　偏差SVM/169
　13.6.3　多任務自動編碼器/169
第14