正版新书]迁移学习算法 应用与实践庄福振 等9787111726500

目录<br /><br /><br /><br /><br /><br /><br /><br /><br />序<br />前言<br />作者简介<br /><br /><br />第1章绪论1<br /><br />11迁移学习缘起1<br />12学习的迁移理论2<br />13迁移学习定义4<br />14迁移学习与已有学习范式的关系5<br />15迁移学习未来的研究方向8<br /><br /><br />第2章基于非负矩阵分解的迁移学习算法10<br /><br />21问题定义10<br />22基于共享词簇的知识迁移11<br />23基于相似概念（共享词簇-文档簇关联）的知识迁移12<br />24同时考虑相同和相似概念的知识迁移15<br />25综合考虑相同、相似、差异概念的知识迁移17<br />26软关联的知识迁移21<br />27本章小结24<br />第3章基于概率模型的迁移学习算法26<br /><br />31问题定义26<br />32基于EM算法的朴素贝叶斯迁移算法28<br />33基于概率潜在语义分析的主题共享领域迁移算法30<br />34基于协同对偶概率潜在语义分析的多域领域迁移33<br />35更普适的基于潜在语义分析的多域领域迁移36<br />36基于组对齐的跨领域标签主题模型39<br />37基于粗粒度对齐主题模型的跨领域文本分类40<br />38本章小结42<br /><br /><br />第4章基于传统深度学习的迁移学习方法43<br /><br />41问题定义43<br />42基于深度自编码器的迁移学习方法44<br />43深度领域自适应网络45<br />44深度子领域自适应网络48<br />45多表示自适应网络51<br />46同时对齐分布和分类器的多源自适应方法54<br />47基于注意力特征图的深度迁移学习方法57<br />48本章小结61<br /><br /><br />第5章基于对抗深度学习的迁移学习方法62<br /><br />51问题定义64<br />52领域对抗神经网络64<br />53同时迁移领域和任务的迁移学习方法67<br />54基于生成对抗网络的像素级领域自适应方法70<br />55优选化分类器一致性的无监督领域自适应方法73<br />56循环一致对抗领域自适应方法77<br />57本章小结79<br />第6章基于模型融合的迁移学习算法80<br /><br />61问题定义82<br />62基于Boosting的模型融合82<br />63有监督与无监督的融合88<br />64基于优化目标正则化的方法98<br />65基于锚点的集成学习101<br />66本章小结104<br /><br /><br />第7章基于图神经网络的迁移学习算法105<br /><br />71问题定义106<br />72同质图神经网络的迁移学习算法106<br />73异质图神经网络的迁移学习算法114<br />74本章小结120<br /><br /><br />第8章多任务学习121<br /><br />81问题定义122<br />82传统多任务学习122<br />83基于深度神经网络的多任务学习134<br />84本章小结141<br /><br /><br />第9章多视图学习算法143<br /><br />91问题定义143<br />92基于概率潜在语义分析的多视图学习144<br />93基于优选间隔原则的多视图学习148<br />94基于子空间聚类方法的多视图学习155<br />95基于完整空间方法的多视图学习159<br />96多任务多视图学习164<br />97推荐系统和人机对话领域的多视图学习方法172<br />98本章小结180<br />第10章迁移学习应用181<br /><br />101自然语言处理中的应用181<br />102计算机视觉中的应用187<br />103推荐系统中的应用205<br />104金融风控中的应用215<br />105城市计算中的应用217<br />106本章小结230<br /><br /><br />第11章百度飞桨迁移学习应用实践231<br /><br />111深度学习框架介绍231<br />112迁移学习在视频分类中的实践案例233<br />113迁移学习在目标检测中的实践案例241<br />114本章小结249<br /><br /><br />参考文献250<br /><br />

庄福振　 北京航空航天大学教授，博士生导师，入选国家级人才计划。在Nature Communications、 PIEEE、TKDE、KDD、IJCAI、AAAI、 WWW、ICDE等本领域顶级、重要国际期刊和国际会议上发表录用论文150多篇，其中CCF A类80多篇；Google学术引用9700余次。2013年获得中国人工智能学会优秀博士学位论文奖，2017入选中国科学院青年创新促进会。

朱勇椿 博士，长期致力于可靠人工智能研究及应用，在KDD、WWW、SIGIR、TKDE等国际顶级学术会议和期刊发表文章28篇，Google学术引用3300余次。公开或授权专利10余项。提出的方法应用到多家公司，包括腾讯、蚂蚁金服、美团、中科睿鉴等。参与三本迁移学习相关书籍的撰写、翻译工作。担任KDD、WWW、AAAI、TKDE、TOIS等会议和期刊审稿人，获得2022年百度奖学金。

祝恒书 博士，北京市高端领军人才正高级工程师，BOSS直聘职业科学实验室（CSL）主任。他长期致力于人工智能领域前沿科学研究及跨领域产业应用，在国际顶级学术期刊和会议上发表论文百余篇，授权国内外专利近百项，多次荣获年度最佳论文奖。他曾获得中国管理科学学会“管理科学奖” 、教育*自然科学奖一等奖、中国人工智能学会优博、中国科学院优博、中国科学院院长特别奖等荣誉和奖项。

熊辉 香港科学技术大学（广州）讲座教授、协理副校长。他获得的部分荣誉包括AAAS Fellow、IEEE Fellow、ACM杰出科学家、中国教育*长江讲座教授、中国国家基金委海外杰青B类（海外及港澳学者合作研究基金）、Harvard Business Review 2018年“拉姆·查兰管理实践奖-全场大奖”、2017 IEEE ICDM Outstanding Service Award、ICDM-2011最佳研究论文奖和AAAI-2021最佳论文奖。

本书首先从迁移学习采用的技术出发，系统地介绍每一类迁移学习算法，包括基于非负矩阵分解、概率模型、传统深度学习、对抗深度学习、模型融合以及图神经网络等的迁移学习算法。针对每一类算法，从问题定义、算法原理、算法流程等方面重点进行介绍。然后针对迁移学习的应用场景，介绍典型的应用案例。后，介绍迁移学习在百度飞桨平台上的实践。本书旨在让迁移学习或者相关领域研究人员系统地掌握迁移学习的各类算法，熟悉各类应用场景，为迁移学习落地实践提供指导和帮助。