迁移学习的发展和现状 ?

By 陆勤 at 2019-06-19 • 0人收藏 • 96人看过

转自:中科院计算技术研究所王晋东博士的分享


    

image.png 

我是中国科学院计算技术研究2014级直博生王晋东,主要研究方向是迁移学习及其应用,下面是我的一些基本资料。今天主要是来分享知识,欢迎大家批评指正。

image.png

  

  

  今天主要分为五部分。一是迁移学习的基本介绍,即为什么要用迁移学习;二是迁移学习方法的常见分类;三是把迁移学习与深度学习结合起来的研究;四是迁移学习的一些最新进展;五是学习资源的推荐以及总结。

image.png

  

  迁移学习基本介绍

  先做一个小小的引子,吴恩达曾经说过,迁移学习将会是机器学习的下一个驱动力。

image.png

  

  我们先来看一下背景:在智能大数据时代,面对数据量以及数据类型的不断增加,需要能快速构建具有强泛化能力的机器学习模型。大部分数据往往没有标注,收集标注数据或者从头开始构建模型,代价高昂且费时。这时候就产生了一个问题:如何基于已有的数据和模型,对新数据快速构建相应的模型?

  image.png

  这个问题引出了迁移学习,迁移学习可以解决上述标定数据难以获取的问题。

  迁移学习基本思想是利用学习目标和已有知识之间的相关性,把知识从已有的模型和数据中迁移到要学习的目标上去,如下图中所示。目前,迁移学习已被广泛应用于机器学习的许多应用中。


image.png

  从数据、模型和应用这三个角度来说,迁移学习都很有必要。

  

  image.png

image.png

image.png

  

  总的来说,迁移学习可以减少对标定数据的依赖,通过和已有数据模型之间的迁移,更好地完成机器学习任务。

image.png

  

  迁移学习常见方法分类

  下面是迁移学习的集中方法,目前常用的主要是同构和异构迁移学习,最常用的是下图右边的几种方法。

image.png

  

  先看基于实例的迁移学习方法。假设是源域中的一些数据和目标域会共享很多共同的特征。方法是对源域进行instance reweighting,筛选出与目标域数据相似度高的数据,然后进行训练学习。

image.png

  

  下面为大家介绍几个经典的基于实例的迁移学习方法,方法比较简单,容易实现。


image.png

  

  第二是基于特征的迁移学习方法。

  假设是源域和目标域含有一些公共的交叉特征,方法是通过特征变换,将两个域的数据变换到同一特征空间,然后进行学习。

image.png

  

  下面是几种比较经典的方法。


image.png

  

  第三种是基于模型的迁移学习方法。

  特点是模型相同部分直接进行迁移,好处是可以直接把已有的模型拿来用,针对目标任务做相应的修改。


image.png

  

  代表工作有下面几个比较经典的,优点是充分利用模型之间的相似性。

image.png

  

  最后是基于关系的迁移学习方法,可以由师生关系类比上下级关系,也可以从生物病毒的传播规律类比计算机病毒的传播。

image.png

  

  假设是如果两个域是相似的,那么它们会共享某种相似关系。方法是利用源域学习逻辑关系网络,再应用于目标域上。这部分的研究工作比较少。


image.png

  

  深度迁移学习

  下面来分析深度迁移学习。深度学习可以学习到更鲁棒的、泛化能力更强的特征表达,迁移学习能学习到领域无关的特征表达,这和深度学习不谋而合,将两者结合,能充分利用神经网络的表达能力,学习域不变的特征表示。


image.png

  

  下面看下最近的一些工作,14年有一篇论文探必发88讨了神经网络的可迁移性,横轴是层数,纵轴是精度。


image.png

  

  第二篇也是14年的,这篇文章是在AlexNet的分类器层前加入domain loss层,目前引用量也比较多。

  image.png

  15年发表的DAN网络对AlexNet网络的后三层都进行了域适配,还利用了Multi-kernel MMD进行距离度量,这是核心的亮点贡献。


image.png

  

  17年的ICML提出了JAN网络,两个核心贡献如下:一是联合适配x和y的分布(JMMD度量),二是在网络中加入了adversarial学习。

  image.png

  这个工作加了soft labels,同时进行domain和task transfer,网络看起来比较复杂,大家可以看原文,也可以看我的专栏链接。


image.png

  

  ADDA提出用adversarial的思想去进行domain adaptation,这篇文章也特别新,代码也开源了。

  image.png

  以上介绍都是我认为的比较经典的方法,是目前来说在深度迁移学习里面比较好的工作。

  迁移学习的最新进展

  下面来谈谈迁移学习的最新发展。做迁移学习最重要的点是找到相似度,当源域和目标域相似度减少,如何进行成功迁移呢。15年的Transitive transfer learning给我们在这个领域开必发88辟了道路。17年的Distant domain transfer learning是对15年的论文的延伸。


image.png

  

  第二个比较新的进展是利用物理学知识辅助学习任务。实验效果是实线部分,作者的想法非常具有开创性。


image.png

  

  第三个是学习迁移。我的理解是把迁移学习和增量学习进行结合,作者提出从已有的知识里自动学习比较适合的算法和参数,这个很有前瞻性,也非常有意义。


image.png

  

  学习资源推荐及总结

  下面给大家推荐一些学习资源,前面是比较经典的两个综述,第一个是杨强老师的。下面也给大家推荐一些比较知名的学者、会议、期刊等。最后是我的GitHub,在持续更新,我的知乎专栏是《小王爱迁移》,欢迎大家投稿。


image.png

  

  今天主要是希望大家了解到迁移学习,知道迁移学习的常用方法,大概了解到深度迁移学习以及一些最新的方向。


image.png

  

转自:https://www.throatpimps.com/article/46.html

登录后方可回帖

信息栏
数据人网是数据人学习、交流和分享的平台,专注于从数据中学习,努力发觉数据之洞见,积极利用数据之价值
Loading...