遷移學習系列---基於例項方法的遷移學習

有一種特殊的型別，即遷移學習。簡單來講，將先前領域或任務中學到的知識或技能應用到新的領域或任務中，即為遷移學習。當然，要想遷移，需要保證二者之間有一定的共性。自然會遇到一個問題，給定一個目標領域或任務，如何找到當前領域或任務跟之前領域或任務的共性，並將之前領域或任務中的知識遷移到目標領域或任務中呢？

其中三種顏色分別表示三種領域，左圖是傳統的機器學習，右圖即為遷移學習。

遷移學習可以用於不同的領域，比如增強學習。也可以用於分類問題或迴歸問題。

[Pan and Yang, A Survey on Transfer Learning, IEEE TKDE 2010]

遷移學習是如何產生的呢？下面來看幾個“導火線”。首先來看室內WiFi定位問題。

對於裝置A 和裝置B，利用裝置A來訓練並且用裝置A來測試得到的平均距離誤差大概為 1.5 meters，利用裝置B來訓練並且用裝置A來測試得到的平均距離誤差大概為 10 meters。這是由於兩個域的差別造成的

上面是利用對電子裝置的評論來訓練情感分類器，然後將模型用於對電子裝置的評論，準確率大概為84.6%，如果利用對DVD的評論來訓練情感分類器，然後將模型用於對電子裝置的評論，準確率為72.65%。兩個領域有什麼不同呢，下面是一些評論示例。