全新迁移学习杨强 等9787111661283

序

译者序

前言

部分迁移学习的基础

章绪论/2

1.1人工智能、机器学习以及迁移学习/2

1.2迁移学习：定义/6

1.3与已有机器学范的关系/9

1.4迁移学习的基础研究问题/11

1.5迁移学习应用/11

1.5.1图像理解/11

1.5.2生物和物成像/12

1.5.3系统和协同过滤/12

1.5.4机器人和汽车自动驾驶/13

1.5.5自然语言处理和文本挖掘/13

1.6历史笔记/14

1.7关于本书/15

第2章基于样本的迁移学习/19

2.1引言/19

2.2基于样本的非归纳式迁移学习/20

2.2.1判别区分源数据和目标数据/22

2.2.2核平均匹配/

2..函数估计/

.基于样本的归纳式迁移学习/24

..1集成源损失与目标损失/24

..2Boosting风格的方法/26

..样本生成方法/27

第3章基于特征的迁移学习/29

3.1引言/29

3.2化域间差异/30

3.2.1优选均值差异/30

3.2.2基于Bregman散度的正则化/34

3..使用特定分布设的度量/34

3.2.4数据依赖的域差异度量/35

3.3学习通用特征/36

3.3.1学习通用编码/36

3.3.2深度通用特征/37

3.4特征/38

第4章基于模型的迁移学习/40

4.1引言/40

4.2基于共享模型成分的迁移学习/42

4.2.1利用高斯过程的迁移学习/42

4.2.2利用贝叶斯模型的知识迁移/43

4..利用深度模型的模型迁移/44

4.2.4方法/45

4.3基于正则化的迁移/45

4.3.1基于支持向量机的正则化/46

4.3.2基于多核学习的迁移学习/47

4.3.3深度模型中的微调方法/48

第5章基于关系的迁移学习/52

5.1引言/52

5.2马尔可夫逻辑网络/54

5.3利用马尔可夫网络的基于关系的迁移学习/55

5.3.1通过一阶逻辑的浅层迁移/55

5.3.2通过二阶逻辑的深度迁移/57

5.3.3通过结构类比的迁移学习/59

第6章异构迁移学习/61

6.1引言/61

6.2异构迁移学习问题/63

6.3方法/63

6.3.1异构特征空间/64

6.3.2异构标签空间/78

6.4应用/79

第7章对抗式迁移学习/82

7.1引言/82

7.2生成对抗网络/83

7.3采用对抗式模型的迁移学习/86

7.3.1生成目标域数据/87

7.3.2通过对抗式学习来学习域不变特征/89

7.4讨论/91

第8章强化学习中的迁移学习/92

8.1引言/92

8.2背景/93

8.2.1强化学习/94

8.2.2强化学习任务中的迁移学习/95

8..迁移学习在强化学习中的目标/96

8.2.4迁移强化学习分类/98

8.3任务间迁移学习/99

8.3.1基于样本的迁移/99

8.3.2基于特征的迁移/100

8.3.3基于模型的迁移/103

8.3.4解决“迁移时机”问题/105

8.4域间迁移学习/105

8.4.1基于样本的迁移/106

8.4.2基于特征的迁移/107

8.4.3基于模型的迁移/108

第9章多任务学习/109

9.1引言/109

9.2定义/111

9.3多任务监督学习/111

9.3.1基于特征的多任务监督学习/112

9.3.2基于模型的多任务监督学习/114

9.3.3基于样本的多任务监督学习/120

9.4多任务无监督学习/120

9.5多任务半监督学习/120

9.6多任务动学/121

9.7多任务强化学习/121

9.8多任务在线学习/121

9.9多任务多视图学习/122

9.10并行与分布式多任务学习/122

0章迁移学习理论/1

10.1引言/1

10.2多任务学习的泛化界/124

10.3监督迁移学习的泛化界/127

10.4无监督迁移学习的泛化界/129

1章传导式迁移学习/131

11.1引言/131

11.2混合图上的传导式迁移学习/133

11.2.1问题定义/134

11.2.2混合迁移算法/135

11.3基于隐特征表示的传导式迁移学习/137

11.3.1问题定义/137

11.3.2耦合的矩阵三因子分解算法/138

11.4基于深度神经网络的传导式迁移学习/141

11.4.1问题定义/141

11.4.2选择学习算法/142

2章自动迁移学习：学习如何自动迁移/146

12.1引言/146

12.2L2T框架/147

1.参数化“迁移什么”/148

1..1基于公共隐空间的算法/149

1..2基于流形集成的算法/149

12.4从经验中学习/149

12.4.1源域和目标域之间的差异/149

12.4.2目标域判别能力/151

12.4.3优化问题/151

12.5推断“迁移什么”/151

12.6与学范的联系/152

12.6.1迁移学习/152

12.6.2多任务学习/153

12.6.3终身机器学习/153

12.6.4自动化机器学习/153

3章小样本学习/155

13.1引言/155

13.2零样本学习/156

13.2.1概述/156

13.2.2零样本学习算法/157

13.3单样本学习/161

13.3.1概述/161

13.3.2单样本学习算法/161

13.4贝叶斯规划学习/163

13.4.1概述/163

13.4.2用于识别字符笔画的贝叶斯规划学习/163

13.5短缺资源学习/166

13.5.1概述/166

13.5.2机器翻译/166

13.6域泛化/168

13.6.1概述/168

13.6.2偏差SVM/169

13.6.3多任务自动编码器/169

4章终身机器学习/171

14.1引言/171

14.2终身机器学习：定义/172

14.3通过不变的知识进行终身机器学习/173

14.4情感分类中的终身机器学习/174

14.5共享模型组件用于多任务学习/177

14.6永无止境的语言学习/178

第二部分迁移学习的应用

5章隐私保护的迁移学习/184

15.1引言/184

15.2差分隐私/185

15.2.1定义/185

15.2.2隐私保护的正则化经验风险化/186

15.3隐私保护的迁移学习/188

15.3.1问题设置/188

15.3.2目标提升/188

15.3.3多方学习/191

15.3.4多任务学习/193

6章计算机视觉中的迁移学习/194

16.1引言/194

16.2概述/195

16.2.1浅层迁移学习模型/195

16.2.2深度迁移学习模型/199

16..迁移学习用于视觉任务/200

16.3迁移学习用于医学图像分析/201

16.3.1医学图像分类/201

16.3.2医学图像异常检测/203

16.3.3医学图像分割/204

7章自然语言处理中的迁移学习/205

17.1引言/205

17.2NLP中的迁移学习/205

17.2.1问题设置/206

17.2.2NLP应用中的参数初始化/206

17..NLP应用中的多任务学习/207

17.3情感分析中的迁移学习/212

17.3.1问题定义和符号/214

17.3.2浅模型/214

17.3.3基于深度学习的方法/217

8章对话系统中的迁移学习/226

18.1引言/226

18.2问题形式化定义/228

18.3口语理解中的迁移学习/228

18.3.1问题定义/229

18.3.2模型适配/229

18.3.3基于样本的迁移/229

18.3.4参数迁移/0

18.4对话状态跟踪中的迁移学习/1

18.4.1基于特征的多领域对话状态跟踪/1

18.4.2基于模型的多领域对话状态跟踪/1

18.5对话策略学习中的迁移学习/2

18.5.1针对学习的迁移线模型/

18.5.2针对学习的迁移高斯过程/

18.5.3针对学习的迁移贝叶斯委员会机器/5

18.6自然语言生成中的迁移学习/

18.6.1自然语言生成中的模型微调/

18.6.2自然语言生成中的课程学习/

18.6.3自然语言生成中的样本合成/

18.7端到端对话系统中的迁移学习/

18.7.1完全参数微调/

18.7.2部分参数共享/

9章系统中的迁移学习/247

19.1引言/247

19.2在中迁移什么/248

19.2.1系统中基于样本的迁移学习方法/248

19.2.2系统中基于特征的迁移学习方法/249

19..系统中基于模型的迁移学习方法/251

19.3新闻/252

19.3.1问题定义/253

19.3.2挑战和解决方案/254

19.3.3解决方案：基于邻域的迁移学习/254

19.4社交网络中的VIP/255

19.4.1问题定义/256

19.4.2挑战和解决方案/257

19.4.3解决方案：基于社交关系的迁移/258

第20章生物信息学中的迁移学习/260

20.1引言/260

20.2生物信息学中的机器学习问题/261

20.3生物序列分析/262

20.4基因表达分析和遗传分析/265

20.5系统生物学/266

20.6生物医学文本和图像挖掘/268

20.7基于深度学习的生物信息学/268

20.7.1深度神经追踪/268

20.7.2生物信息学中的深度迁移学习/272

2章行为识别中的迁移学习/273

21.1引言/273

21.2针对无线定位的迁移学习/273

21.2.1依赖于环境的数据稀疏挑战/274

21.2.2基于特征的迁移学习用于定位/276

21..基于样本的迁移学习用于定位/278

21.2.4基于模型的迁移学习用于定位/280

21.3针对行为识别的迁移学习/282

21.3.1背景/282

21.3.2问题设置/284

21.3.3跨特征空间的迁移/285

21.3.4跨标签空间的迁移/287

第22章城市计算中的迁移学习/289

22.1引言/289

22.2城市计算中的“迁移什么”/290

2.城市计算中迁移学习的关键问题/291

22.4连锁店/292

22.4.1问题设置/292

22.4.2CityTransfer模型/293

22.5空气质量预测/295

22.5.1问题设置/295

22.5.2FLORAL模型/296

第章结束语/297

参考文献/299

名词中英文对照/341

·杨强教授领衔撰写，研究团队十余年艰苦研究工作的积累。
·迁移学习“开山之作”，解决人工智能的“很后一公里”问题。
·张钹院士作序，邓力、高文、李开复、周志华（按姓氏拼音排序）联袂。