迁移学习

迁移学习，顾名思义，就是把在某个领域获取的知识迁移到对另一个领域的学习中，也就是举一反三。传统的机器学习，尤其是有监督学习，对数据的样本数量、数据分布的统一性、标签的完整性等都有着严苛的要求。而迁移学习解决的正是在机器学习任务中面对样本不足、标签不全等情况，如何借助外部其他分布的数据来有效地学习这一问题。1990年以来，大量研究都涉及迁移学习的概念，如自主学习、终生学习、多任务学习、知识迁移等。但是这些研究都没有形成一个完整的迁移学习体系。直到2010年，迁移学习的首个形式化定义被提出，由此，迁移学习成为机器学习中一个重要的分支领域。近些年，深度迁移学习，迁移强化学习的提出让我们看到了这一领域非凡的潜力。