第I 部分迁移学习基础__eol__1 绪论3__eol__1.1 迁移学习3__eol__1.2 相关研究领域7__eol__1.3 迁移学习的必要性8__eol__1.3.1 大数据与少标注之间的矛盾9__eol__1.3.2 大数据与弱计算能力的矛盾9__eol__1.3.3 有限数据与模型泛化能力的矛盾· 10__eol__1.3.4 普适化模型与个性化需求的矛盾· 11__eol__1.3.5 特定应用的需求 11__eol__1.4 迁移学习的研究领域12__eol__1.4.1 按特征空间分类 13__eol__1.4.2 按目标域有无标签分类 13__eol__1.4.3 按学习方法分类 13__eol__1.4.4 按离线与在线形式分类 14__eol__1.5 学术界和工业界中的迁移学习15__eol__1.6 迁移学习的应用18__eol__1.6.1 计算机视 觉19__eol__1.6.2 自然语言处理 21__eol__1.6.3 语音识别与合成 23__eol__1.6.4 普适计算与人机交互25__eol__1.6.5 医疗健康 28__eol__1.6.6 其他应用领域30__eol__参考文献 __eol__2 从机器学习到迁移学习48__eol__2.1 机器学习基础48__eol__2.1.1 机器学习概念48__eol__2.1.2 结构风险最小化 49__eol__2.1.3 数据的概率分布 50__eol__2.2 迁移学习定义52__eol__2.3 迁移学习基本问题 55__eol__2.3.1 何时迁移 55__eol__2.3.2 何处迁移 56__eol__2.3.3 如何迁移 58__eol__2.4 失败的迁移：负迁移 58__eol__2.5 一个完整的迁移学习过程 60__eol__参考文献61__eol__3 迁移学习方法总览63__eol__3.1 分布差异的度量 63__eol__3.2 分布差异的统一表征66__eol__3.2.1 分布自适应因子的计算 67__eol__3.3 迁移学习方法统一表征68__eol__3.3.1 样本权重迁移法 70__eol__3.3.2 特征变换迁移法 70__eol__3.3.3 模型预训练迁移法 71__eol__3.4 上手实践72__eol__3.4.1 数据准备 · 73__eol__3.4.2 基准模型构建：KNN 75__eol__参考文献76__eol__4 样本权重迁移法78__eol__4.1 问题定义78__eol__4.2 基于样本选择的方法 80__eol__4.2.1 基于非强化学习的样本选择法 81__eol__4.2.2 基于强化学习的样本选择法82__eol__4.3 基于权重自适应的方法 83__eol__4.4 上手实践 85__eol__4.5 小结 88__eol__参考文献88__eol__5 统计特征变换迁移法93__eol__5.1 问题定义93__eol__5.2 最大均值差异法94__eol__5.2.1 基本概念 94__eol__5.2.2 基于最大均值差异的迁移学习96__eol__5.2.3 求解与计算 99__eol__5.2.4 应用与扩展 101__eol__5.3 度量学习法102__eol__5.3.1 度量学习 102__eol__5.3.2 基于度量学习的迁移学习 104__eol__5.4 上手实践 105__eol__5.5 小结108__eol__参考文献108__eol__6 几何特征变换迁移法 111__eol__6.1 子空间变换法111__eol__6.1.1 子空间对齐法112__eol__6.1.2 协方差对齐法113__eol__6.2 流形空间变换法 114__eol__6.2.1 流形学习 114__eol__6.2.2 基于流形学习的迁移学习方法 115__eol__6.3 最优传输法 118__eol__6.3.1 最优传输 118__eol__6.3.2 基于最优传输法的迁移学习方法 119__eol__6.4 上手实践 121__eol__6.5 小结 122__eol__参考文献 123__eol__7 迁移学习理论、评测与模型选择125__eol__7.1 迁移学习理论 125__eol__7.1.1 基于H-divergence 的理论分析 126__eol__7.1.2 基于HΔH-distance 的理论分析· 128__eol__7.1.3 基于差异距离的理论分析 129__eol__7.1.4 结合标签函数差异的理论分析 130__eol__7.2 迁移学习评测 131__eol__7.3 迁移学习模型选择132__eol__7.3.1 基于密度估计的模型选择 133__eol__7.3.2 迁移交叉验证133__eol__7.4 小结134__eol__参考文献 135__eol__第II 部分现代迁移学习__eol__8 预训练– 微调 139__eol__8.1 深度神经网络的可迁移性 140__eol__8.2 预训练??微调 143__eol__8.2.1 预训练– 微调的有效性 144__eol__8.3 迁移学习中的正则 145__eol__8.4 预训练模型用于特征提取148__eol__8.5 学习如何微调 149__eol__8.6 上手实践 151__eol__8.7 小结 155__eol__参考文献155__eol__9 深度迁移学习 158__eol__9.1 总体思路159__eol__9.2 深度迁移学习的网络结构160__eol__9.2.1 单流结构 161__eol__9.2.2 双流结构 161__eol__9.3 数据分布自适应方法163__eol__9.4 结构自适应的深度迁移学习方法165__eol__9.4.1 基于批归一化的迁移学习 165__eol__9.4.2 基于多表示学习的迁移网络结构· 166__eol__9.4.3 基于解耦的深度迁移方法 168__eol__9.5 知识蒸馏 169__eol__9.6 上手实践170__eol__9.6.1 网络结构 171__eol__9.6.2 迁移损失 174__eol__9.6.3 训练和测试 179__eol__9.7 小结183__eol__参考文献184__eol__10 对抗迁移学习 187__eol__10.1 生成对抗网络与迁移学习187__eol__10.2 数据分布自适应的对抗迁移方法189__eol__10.3 基于最大分类器差异的对抗迁移方法192__eol__10.4 基于数据生成的对抗迁移方法 194__eol__10.5 上手实践195__eol__10.5.1 领域判别器 195__eol__10.5.2 分布差异计算 · 196__eol__10.5.3 梯度反转层 197__eol__10.6 小结198__eol__参考文献198__eol__11 迁移学习的泛化200__eol__11.1 领域泛化200__eol__11.2 基于数据操作的领域泛化方法203__eol__11.2.1 数据增强和生成方法 203__eol__11.2.2 基于Mixup 的数据生成方法 · 205__eol__11.3 领域不变特征学习206__eol__11.3.1 核方法：领域不变成分分析 · 206__eol__11.3.2 深度领域泛化方法· 208__eol__11.3.3 特征解耦 210__eol__11.4 用于领域泛化的不同学习策略212__eol__11.4.1 基于集成学习的方法 212__eol__11.4.2 基于元学习的方法213__eol__11.4.3 用于领域泛化的其他学习范式 215__eol__11.5 领域泛化理论215__eol__11.5.1 平均风险预估误差上界 215__eol__11.5.2 泛化风险上界217__eol__11.6 上手实践17__eol__11.6.1 数据加载 218__eol__11.6.2 训练和测试 220__eol__11.6.3 示例方法：ERM 和CORAL· 222__eol__11.7 小结225__eol__参考文献225__eol__12 安全和鲁棒的迁移学习232__eol__12.1 安全迁移学习232__eol__12.1.1 迁移学习模型可以被攻击吗233__eol__12.1.2 抵制攻击的方法233__eol__12.1.3 ReMoS：一种新的安全迁移学习方法 235__eol__12.2 联邦学习和迁移学习 238__eol__12.2.1 联邦学习 238__eol__12.2.2 面向非独立同分布数据的个性化联邦学习 241__eol__12.2.3 模型自适应的个性化迁移学习 242__eol__12.2.4 基于相似度的个性化联邦学习 243__eol__12.3 无需源数据的迁移学习244__eol__12.3.1 信息最大化方法 246__eol__12.3.2 特征匹配方法 247__eol__12.4 基于因果关系的迁移学习248__eol__12.4.1 什么是因果关系 248__eol__12.4.2 因果关系与迁移学习 250__eol__12.5